Graphique d'E/S

multiple

Document

Requête

jina-reranker-v1

Classement

Frontière de Pareto
30M100M300M0.810.820.830.84bge-reranker-basejina-reranker-v1-base-enjina-reranker-v1-tiny-enms-marco-MiniLM-L-4-v2ms-marco-MiniLM-L-6-v2mxbai-rerank-base-v1mxbai-rerank-xsmall-v1jina-reranker-v1-turbo-…Paramètres (log)hit-rate
Ce modèle
Sur la frontière
Jina AI
Autres
LlamaIndex RAG · avg3emb
0.835
Paramètres
38M
Rang par score
2 / 8
Frontière de Pareto
Sur la frontière
Distribution des valeurs
AUC 0.8287
Corpus
Paires de traduction
0.4800.000.200.400.600.80
Liées29.0%
Négatif difficile7.0%
Non liées1.1%
Seuils recommandés
FPR 0.1 · 0.223
FPR 0.01 · 0.480
FPR 0.001 · 0.753
FPR 0.0001 · 0.959
équilibré · 0.083
AUC
0.8287
Plafond de bruit
0.731
Décrochage du rappel
0.019
Paires mesurées
100 / 9 200
Score par rang
12345678910
Score moyen à chaque position de rang
Choisissez les modèles à comparer

Aperçu

jina-reranker-v1-turbo-en est un reranker cross-encodeur anglais de 37,8M paramètres qui atteint 95 % de la précision du modèle de base tout en traitant les documents trois fois plus vite et en utilisant 75 % de mémoire en moins. Il a été conçu pour les systèmes de recherche de production où le compromis qualité-latence des cross-encodeurs complets était impraticable, offrant une voie concrète vers l'amélioration de la recherche à grande échelle.

Méthodes

Le modèle compresse l'architecture BERT de 12 couches du reranker de base en une architecture à six couches avec 37,8M paramètres (contre 137M pour le modèle de base). Il maintient le mécanisme central de cross-attention basé sur BERT pour les interactions au niveau des tokens entre requête et document, mais optimise la vitesse par la réduction du nombre de couches et une allocation efficace des paramètres. L'entraînement utilise la distillation de connaissances : le modèle de base plus grand agit comme enseignant, guidant la variante turbo pour correspondre à son comportement de classement avec moins de paramètres. Le modèle prend en charge des séquences jusqu'à 8 192 tokens grâce aux encodings positionnels ALiBi, permettant une analyse documentaire approfondie tout en maintenant une inférence rapide.

Performance

Sur BEIR, la variante turbo atteint un NDCG{'@'}10 de 49,60, conservant 95 % des performances du modèle de base (52,45) tout en dépassant bge-reranker-base (47,89, 278M paramètres). Dans les applications RAG, elle maintient un taux de rappel de 83,51 % et un MRR de 0,6498. L'avantage de vitesse est substantiel : trois fois plus rapide que le modèle de base, avec un débit qui évolue quasi linéairement avec la réduction du nombre de paramètres. Les besoins en mémoire passent de 550 Mo (modèle de base) à 150 Mo (variante turbo), permettant le déploiement sur des instances plus petites et des économies de coût significatives dans les environnements cloud. La dégradation des performances est minimale sur la plupart des tâches, avec des scores légèrement inférieurs sur des scénarios de classement extrêmement nuancés.

Conseils

Mettez en place un pipeline en deux étapes : la recherche vectorielle fournit les candidats initiaux, puis ce modèle reclasse les 100–200 premiers. Le point optimal pour la plupart des applications est de reclasser 100–200 candidats par requête, équilibrant qualité et vitesse. Le modèle est uniquement anglais ; pour les applications multilingues, utilisez jina-reranker-v2-base-multilingual ou jina-reranker-v3.5. Il exige du matériel compatible CUDA, mais fonctionne sur des instances plus petites que le modèle de base (150 Mo contre 550 Mo de mémoire GPU). Disponible via Jina Reranker API et AWS SageMaker. Pour les nouveaux projets, jina-reranker-v3.5 (multilingue, listwise, contexte 131K) est le choix recommandé. Lorsque la latence est la contrainte principale, l'avantage de vitesse 3× de ce modèle le rend adapté aux applications de recherche en temps réel.

Blogs qui mentionnent ce modèle