jina-reranker-v2-base-multilingual

jina-reranker-v2-base-multilingual es un reranker cross-encoder de 278M parámetros que soporta 100+ idiomas con una ventana de contexto de 1.024 tokens (524.288 tokens con Flash Attention 2). Fue el primer reranker de Jina en superar la limitación de solo inglés, logrando un rendimiento líder en AirBench y buenos resultados en tareas de datos estructurados, incluida la llamada de funciones y el coincidencia de esquemas SQL. Procesa documentos 15× más rápido que los modelos comparables.

El modelo emplea una arquitectura cross-encoder mejorada con Flash Attention 2, que permite la comparación directa entre consultas y documentos a través de barreras de idioma. El encoder basado en BERT de 278M parámetros usa atención bidireccional simétrica con codificaciones posicionales ALiBi para el contexto base de 1.024 tokens (ampliable a 524.288 tokens con Flash Attention 2). El entrenamiento siguió un proceso progresivo de cuatro etapas: (1) capacidades del idioma inglés, (2) alineación entre lenguajes, (3) incorporación de datos multilingües y (4) refinamiento con negativos difíciles. Este enfoque por etapas previno el olvido catastrófico que a menudo ocurre al añadir datos multilingües a un modelo de un solo idioma. La implementación de Flash Attention 2 es una innovación clave de eficiencia que habilita un throughput 15× mayor que bge-reranker-v2-m3.

El modelo logra un rendimiento líder en el leaderboard de AirBench para sistemas de RAG y buenos resultados en MKQA (26 idiomas). Destaca en tareas de datos estructurados: alta recuperación en ToolBench (llamada de funciones) y NSText2SQL (coincidencia de esquemas SQL). Lo más impresionante es que procesa documentos 15× más rápido que modelos comparables como bge-reranker-v2-m3, haciéndolo práctico para aplicaciones en tiempo real. El soporte de 100+ idiomas y las capacidades de datos estructurados lo hacen especialmente adecuado para sistemas de RAG agénticos y la búsqueda de documentación de API multilingüe. En 2026, jina-reranker-v3.5 reemplazó a este modelo con interacción listwise, contexto de 131K y entrenamiento de dominio específico.

El modelo requiere una GPU con soporte CUDA y está disponible a través de la API de Reranker de Jina, los principales frameworks de RAG (Haystack, LangChain) y las marketplaces en la nube (AWS, Azure, GCP). Destaca en escenarios que requieren comprensión precisa a través de barreras de idioma y tipos de datos: empresas globales que trabajan con contenido multilingüe, búsqueda de documentación de API y recuperación de código en bases de código multilingües. Con la ventana de contexto de 1.024 tokens y segmentación automática para documentos más largos, maneja contenido extendido de forma eficiente. Usa este modelo cuando necesites mejorar la precisión de búsqueda entre idiomas, requieras capacidades de llamada de funciones para RAG agéntico o quieras mejorar la búsqueda de código en bases de código multilingües. Para nuevos proyectos, jina-reranker-v3.5 ofrece clasificación listwise, contexto de 131K y mejoras de dominio específico.