jina-reranker-v1-base-en

jina-reranker-v1-base-en es un reranker cross-encoder en inglés de 137M parámetros que refina los resultados de búsqueda realizando un análisis a nivel de token de pares consulta-documento. Ofrece una mejora del 20 % en la precisión de búsqueda frente a la búsqueda vectorial de referencia, lo que lo convierte en el caballo de batalla de la primera generación de rerankers de Jina. Ahora lo reemplazaron las familias multilingües v2 y listwise v3.

El modelo emplea una arquitectura de cross-atención basada en BERT (12 capas, 12 cabezas de atención, 768 dimensiones ocultas, 137M parámetros) que difiere fundamentalmente de los enfoques basados en embeddings. En lugar de comparar embeddings de documentos precalculados, realiza interacciones dinámicas a nivel de token entre la consulta y el documento, capturando matices contextuales que la similitud coseno pasa por alto. La ventana de contexto de 1.024 tokens soporta segmentación automática y max-pooling a través de segmentos para documentos más largos. El entrenamiento usó pérdida contrastiva en pares de relevancia consulta-documento con minería de negativos difíciles. El modelo fue el primer reranker de Jina y estableció el patrón para las variantes turbo y tiny mediante destilación de conocimiento.

El modelo logra un 8 % más de tasa de acierto y una mejora del 33 % en el rango recíproco medio frente a la búsqueda vectorial de referencia. En BEIR, obtiene una media de NDCG@10 de 0,5588, superando a BGE (0,5032), BCE (0,4969) y Cohere (0,5141). En el benchmark LoCo para comprensión de contexto largo, obtiene 0,873, por delante de forma significativa de la competencia. Muestra especial fortaleza en contenido técnico: 0,996 en resúmenes de QASPER y 0,962 en el análisis de informes gubernamentales, aunque el rendimiento es menor (0,466) en tareas de resumen de reuniones. La latencia escala con la longitud del documento: 156 ms para 256 tokens, 7.068 ms para 4.096 tokens con una consulta de 512 tokens.

Implementa una pipeline de dos etapas: la búsqueda vectorial (p. ej., jina-embeddings-v5-text-small) proporciona los candidatos iniciales y luego este modelo vuelve a clasificar los mejores 100–200 para precisión. El modelo es solo inglés — para aplicaciones multilingües, use jina-reranker-v2-base-multilingual o jina-reranker-v3.5. Requiere hardware con soporte CUDA para el rendimiento de producción. Para nuevos proyectos, prefiere jina-reranker-v3.5 (multilingüe, listwise, contexto de 131K, 63,20 BEIR NDCG@10). El modelo está disponible a través de la API de Reranker de Jina, AWS SageMaker y Hugging Face. Al integrar con sistemas RAG, ajuste el número de documentos enviados para re-clasificación según los requisitos de latencia — 100–200 documentos equilibran generalmente calidad y velocidad.