E/A-Diagramm

Text

jina-embeddings-v5-text-nano

Aufgabe

Vektor

Pareto-Front
30M100M300M1B3.0B10B30B3040506070all-MiniLM-L6-v2bge-large-en-v1.5bge-small-en-v1.5e5-base-v2e5-large-v2e5-mistral-7b-instructe5-small-v2EmbeddingGemma-300MF2LLM-v2-0.6BF2LLM-v2-8Bgranite-embedding-311m-…granite-embedding-97m-m…GritLM-7BGritLM-8x7Bgte-Qwen2-7B-instructharrier-oss-v1-0.6bharrier-oss-v1-270mharrier-oss-v1-27bjina-embeddings-v3jina-embeddings-v5-omni…jina-embeddings-v5-omni…KaLM-Embedding-Gemma3-1…LaBSELanguageBindLCO-Embedding-Omni-3BLCO-Embedding-Omni-7Bmultilingual-e5-basemultilingual-e5-large-i…Omni-Embed-Nemotron-3Bpotion-multilingual-128MQwen3-Embedding-4BQwen3-Embedding-8Bsnowflake-arctic-embed-…snowflake-arctic-embed-…static-similarity-mrl-m…stella_en_1.5B_v5stella_en_400M_v5UAE-Large-V1jina-embeddings-v5-text…Parameter (log)score
Dieses Modell
Auf der Front
Jina AI
Andere
MMTEB
65.50
Parameter
212M
Rang nach Score
12 / 48
Pareto-Front
Darauf
Werteverteilung
AUC 0.8242
Korpus
Übersetzungspaare
Dokumentensuche
Code
Bild / Banner
Bild / Logo
Aufgabe
classification
clustering
retrieval.passage
retrieval.query
retrieval.query → retrieval.passage
text-matching
0.7930.400.500.600.700.80
Verwandt20.2%
Hartes Negativ1.7%
Unverwandt1.1%
Empfohlene Schwellenwerte
FPR 0.1 · 0.722
FPR 0.01 · 0.793
FPR 0.001 · 0.841
FPR 0.0001 · 0.865
ausgewogen · 0.678
AUC
0.8242
Rauschgrenze
0.840
Recall-Knick
0.557
Gemessene Paare
119 / 11k
Vektorkomponenten
-0.180.000.19
σ 0.0361 · 183k Werte
Einbettungsgeometrie
0768
Mittelwert je Dimension; darüberfahren zeigt die Spanne
Rauschboden
0.288
Effektive Dim.
69 / 768
Dimensionskürzung
3264128256512768
text-matching · Schwellenwert nach angeforderten Dimensionen
Sprachpaare
de-rude-zhen-deen-jaen-koen-ruen-zhja-ko
Streuung des Schwellenwerts über die Paare: 0.027
Wählen Sie Modelle zum Vergleichen aus
Publikationen (1)

Überblick

jina-embeddings-v5-text-nano ist ein mehrsprachiges Text-Embedding-Modell mit 239M Parametern, aufgebaut auf dem EuroBERT-210M-Backbone. Es unterstützt einen 8K-Token-Kontext, erzeugt 768-dimensionale Embeddings mit Matryoshka-Trunkierung bis hinab zu 32 Dimensionen und liefert die höchste Genauigkeit pro Parameter in Jinas Embedding-Familie unter 500M. Das Modell ist ausgelegt für Edge-Deployments, latenzsensitive Anwendungen und ressourcenbeschränkte Umgebungen, in denen keine vollständige GPU verfügbar ist.

Methoden

Das Modell basiert auf EuroBERT-210M, einem kompakten bidirektionalen Encoder, der auf mehrsprachigen Daten mit 15 wichtigen Sprachen vortrainiert wurde. Es nutzt Last-Token-Pooling, um Embeddings aus der Repräsentation des letzten Tokens zu erzeugen. Das Training folgt einem zweistufigen Destillationsrezept: Erstens überträgt Wissensdestillation von einem größeren Teacher-Modell die Embedding-Qualität; zweitens stimmt ein aufgabenspezifischer kontrastiver Loss das Modell auf Retrieval-, Text-Matching-, Clustering- und Klassifikationsaufgaben fein. Matryoshka Representation Learning ermöglicht es, Embedding-Dimensionen bei jeder unterstützten Größe (32, 64, 128, 256, 512, 768) zu kürzen und dabei die starke Performance zu erhalten. Geometric Orthogonal Regularization (GOR) begrenzt die Performance-Einbuße unter binärer Quantisierung auf unter 2 Punkte beim MTEB-Retrieval. Das 8K-Kontextfenster ermöglicht die Verarbeitung langer Dokumente ohne Chunking.

Leistung

Auf MMTEB (mehrsprachig) erreicht das Modell 65,5 Durchschnitt auf Aufgabenebene und 57,7 Durchschnitt auf Typ-Ebene bei gerade einmal 239M Parametern und übertrifft alle Modelle unter 500M, einschließlich KaLM-mini-v2.5 (60,1, 494M), voyage-4-nano (58,9, 480M) und Gemma-300M (61,1, 308M). Werte auf Aufgabenebene: Klassifikation 69,2, Clustering 52,7, Pair-Klassifikation 81,9, Reranking 64,6, Retrieval 63,3, STS 78,2. Auf englischem MTEB erreicht es 71,0 Durchschnitt und liegt fast auf Höhe des viel größeren jina-embeddings-v5-text-small (71,7). Retrieval-spezifisch: 63,26 auf MTEB-M, 64,08 auf RTEB, 56,06 auf BEIR, 63,65 auf LongEmbed. Dank der GOR-Regularisierung bleiben die Embeddings auch unter binärer Quantisierung robust.

Empfehlungen

Wählen Sie das passende Aufgabenpräfix: „retrieval“ für asymmetrische Query-Dokument-Suche, „text-matching“ für symmetrische Ähnlichkeit, „clustering“ für Gruppierung, „classification“ für Kategorisierung. Matryoshka-Trunkierung auf 256 Dimensionen erhält über 95 % der Retrieval-Qualität und reduziert den Speicher um 67 %. Binäre Quantisierung wird für weitere Speicherreduktion unterstützt. Das EuroBERT-Backbone bietet starke Abdeckung für 15 Hauptsprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Chinesisch, Japanisch, Arabisch und Hindi. Nutzen Sie Kosinusähnlichkeit zum Vergleich von Embeddings. Verfügbar über die Jina AI API, Hugging Face (Sentence Transformers, vLLM) und quantisierte Varianten für llama.cpp. Für Workloads, die einen 32K-Kontext oder höhere Genauigkeit erfordern, nutzen Sie stattdessen jina-embeddings-v5-text-small.

Blogs, die dieses Modell erwähnen