E/A-Diagramm

mehrere

Dokument

Abfrage

jina-reranker-v1

Ranking

Pareto-Front
30M100M7075808590ColBERTv2gte-reranker-modernbert…jina-colbert-v1-enjina-reranker-v1-tiny-enjina-reranker-v1-turbo-…jina-reranker-v1-base-enParameter (log)nDCG@10
Dieses Modell
Auf der Front
Jina AI
Andere
LoCo
87.31
Parameter
137M
Rang nach Score
2 / 6
Pareto-Front
Darauf
Werteverteilung
AUC 0.9853
Korpus
Übersetzungspaare
0.4810.000.200.400.600.801.00
Verwandt85.0%
Hartes Negativ6.3%
Unverwandt1.1%
Empfohlene Schwellenwerte
FPR 0.1 · 0.208
FPR 0.01 · 0.481
FPR 0.001 · 0.697
FPR 0.0001 · 0.978
ausgewogen · 0.340
AUC
0.9853
Rauschgrenze
0.691
Recall-Knick
0.088
Gemessene Paare
100 / 9.200
Score nach Rang
12345678910
Mittlerer Score je Rangposition
Wählen Sie Modelle zum Vergleichen aus

Überblick

jina-reranker-v1-base-en ist ein englischer Cross-Encoder-Reranker mit 137M Parametern, der Suchergebnisse verfeinert, indem er Query-Dokument-Paare auf Token-Ebene analysiert. Er liefert eine 20 % bessere Suchgenauigkeit gegenüber einer Vektorsuche als Baseline und ist damit das Arbeitspferd der ersten Jina-Reranker-Generation. Es wurde nun von den mehrsprachigen v2- und den Listwise-v3-Familien abgelöst.

Methoden

Das Modell setzt eine BERT-basierte Cross-Attention-Architektur ein (12 Layer, 12 Attention-Heads, 768 Hidden-Dimensionen, 137M Parameter), die sich fundamental von embedding-basierten Ansätzen unterscheidet. Statt vorher berechnete Dokument-Embeddings zu vergleichen, führt es dynamische Token-Level-Interaktionen zwischen Query und Dokument durch und erfasst dabei kontextuelle Nuancen, die Kosinusähnlichkeit übersieht. Das 8.192-Token-Kontextfenster unterstützt automatisches Chunking und Max-Pooling über Chunks für längere Dokumente. Das Training nutzte einen kontrastiven Loss auf Query-Dokument-Relevanzpaaren mit Hard-Negative-Mining. Das Modell war der erste Jina-Reranker und etablierte das Muster für die Turbo- und Tiny-Varianten durch Wissensdestillation.

Leistung

Das Modell erzielt eine um 8 % höhere Trefferquote und einen um 33 % höheren mittleren reziproken Rang gegenüber einer Vektorsuche als Baseline. Auf BEIR erreicht es einen durchschnittlichen NDCG{'@'}10 von 0,5588 und übertrifft BGE (0,5032), BCE (0,4969) und Cohere (0,5141). Auf dem LoCo-Benchmark für das Verständnis langer Kontexte erzielt es 0,873, deutlich vor den Mitbewerbern. Es zeigt besondere Stärke bei technischen Inhalten: 0,996 auf QASPER-Abstracts und 0,962 bei der Analyse von Regierungsberichten, obwohl die Performance bei Meeting-Zusammenfassungsaufgaben niedriger (0,466) ausfällt. Die Latenz skaliert mit der Dokumentlänge: 156 ms für 256 Tokens, 7.068 ms für 4.096 Tokens bei einer 512-Token-Query.

Empfehlungen

Implementieren Sie eine zweistufige Pipeline: Vektorsuche (z. B. jina-embeddings-v5-text-small) liefert die initialen Kandidaten, dann ordnet dieses Modell die besten 100–200 für mehr Präzision neu. Das Modell ist auf Englisch beschränkt – für mehrsprachige Anwendungen nutzen Sie jina-reranker-v2-base-multilingual oder jina-reranker-v3.5. Es erfordert CUDA-fähige Hardware für den Produktionsdurchsatz. Für neue Projekte bevorzugen Sie jina-reranker-v3.5 (mehrsprachig, Listwise, 131K-Kontext, 63,20 BEIR NDCG{'@'}10). Das Modell ist über die Jina-Reranker-API, AWS SageMaker und Hugging Face verfügbar. Bei der Integration in RAG-Systeme stimmen Sie die Anzahl der zum Re-Ranking gesendeten Dokumente an Latenzanforderungen ab – 100–200 Dokumente gleichen Qualität und Geschwindigkeit typischerweise aus.

Blogs, die dieses Modell erwähnen
Juni 25, 2024 • 15 Minuten Lesezeit
Jina Reranker v2 für agenten-basiertes RAG: Ultraschnell, mehrsprachig, mit Function-Calling & Code-Suche
Jina Reranker v2 ist der erstklassige Reranker, der für Agentic RAG entwickelt wurde. Er bietet Function-Calling-Unterstützung, mehrsprachige Suche in über 100 Sprachen, Code-Such-Funktionen und ist 6-mal schneller als v1.
Juni 03, 2024 • 6 Minuten Lesezeit
Implementierung eines Chat-Verlaufs-RAG mit Jina AI und Milvus Lite
Verbessern Sie Ihre Suchanwendungen in Python mit Jina Embeddings und Reranker und dem leichtgewichtigen, einfach zu implementierenden Milvus Lite.
Mai 13, 2024 • 5 Minuten Lesezeit
Albus von Springworks: Mitarbeiter durch Enterprise Search stärken
Erfahren Sie, wie ein führendes HR-Tech-Startup die Modelle von Jina AI nutzt, um mit strukturierten und unstrukturierten Daten zu kommunizieren.
Mai 07, 2024 • 12 Minuten Lesezeit
Wenn KI KI erschafft: Synthetische Daten, Model Distillation und Model Collapse
KI erschafft KI! Ist es das Ende der Welt? Oder nur ein weiteres Werkzeug, mit dem Modelle wertschöpfende Arbeit leisten können? Finden wir es heraus!
April 29, 2024 • 7 Minuten Lesezeit
Jina Embeddings und Reranker auf Azure: Skalierbare KI-Lösungen für Unternehmensanwendungen
Jina Embeddings und Reranker sind jetzt im Azure Marketplace verfügbar. Unternehmen, die Datenschutz und Sicherheit priorisieren, können Jina AIs hochmoderne Modelle nun problemlos direkt in ihr bestehendes Azure-Ökosystem integrieren.