jina-reranker-v2-base-multilingual

jina-reranker-v2-base-multilingual è un reranker cross-encoder da 278M parametri che supporta 100+ lingue con una finestra di contesto di 1.024 token (524.288 token con Flash Attention 2). È stato il primo reranker di Jina a superare la limitazione solo-inglese, offrendo una performance state-of-the-art su AirBench e buoni risultati nei task di dati strutturati, incluso il function calling e lo schema matching SQL. Elabora i documenti 15× più velocemente dei modelli comparabili.

Il modello impiega un'architettura cross-encoder potenziata con Flash Attention 2, che consente il confronto diretto tra query e documenti oltre le barriere linguistiche. L'encoder basato su BERT da 278M parametri usa un'attenzione bidirezionale simmetrica con codifiche posizionali ALiBi per il contesto base di 1.024 token (estendibile a 524.288 token con Flash Attention 2). L'addestramento ha seguito un processo progressivo in quattro fasi: (1) capacità della lingua inglese, (2) allineamento cross-linguistico, (3) incorporazione di dati multilingua, (4) raffinamento con negativi difficili. Questo approccio a fasi ha impedito la dimenticanza catastrofica che spesso si verifica quando si aggiungono dati multilingua a un modello monolingua. L'implementazione di Flash Attention 2 è un'innovazione di efficienza chiave che abilita un throughput 15× più alto di bge-reranker-v2-m3.

Il modello raggiunge una performance state-of-the-art sulla leaderboard AirBench per i sistemi RAG e buoni risultati su MKQA (26 lingue). Eccelle nei task di dati strutturati: alto recall su ToolBench (function calling) e NSText2SQL (schema matching SQL). Più impressionante, elabora i documenti 15× più velocemente di modelli comparabili come bge-reranker-v2-m3, rendendolo pratico per applicazioni in tempo reale. Il supporto di 100+ lingue e le capacità di dati strutturati lo rendono particolarmente adatto ai sistemi RAG agentici e alla ricerca di documentazione API multilingua. Nel 2026, jina-reranker-v3.5 rimpiazza questo modello con l'interazione listwise, contesto di 131K e addestramento di dominio specifico.

Il modello richiede una GPU con supporto CUDA ed è accessibile tramite l'API Reranker di Jina, i principali framework RAG (Haystack, LangChain) e i marketplaces cloud (AWS, Azure, GCP). Eccelle negli scenari che richiedono comprensione precisa oltre le barriere linguistiche e i tipi di dati: aziende globali che lavorano con contenuti multilingua, ricerca di documentazione API e retrieval di codice attraverso codebase multilingua. Con la finestra di contesto di 1.024 token e il chunking automatico per i documenti più lunghi, gestisce i contenuti estesi in modo efficiente. Usa questo modello quando devi migliorare la precisione della ricerca tra le lingue, hai bisogno di capacità di function calling per RAG agentici o vuoi migliorare la ricerca di codice attraverso codebase multilingua. Per nuovi progetti, jina-reranker-v3.5 offre ranking listwise, contesto di 131K e miglioramenti di dominio specifico.