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.










