jina-reranker-v1-base-en

jina-reranker-v1-base-en は 137M パラメータの英語クロスエンコーダーリランカーで、クエリと文書のペアに対するトークンレベル解析により検索結果を精査します。ベースラインのベクトル検索に対して検索精度を 20 % 向上させ、Jina の第1世代リランカーファミリーの主力となりました。現在は、多言語 v2 とリストワイズ v3 のファミリーに取って代わられています。

モデルは BERT ベースのクロスアテンションアーキテクチャ（12 層、12 アテンションヘッド、768 隠れ次元、137M パラメータ）を採用し、embeddings ベースのアプローチと根本的に異なります。事前計算された文書 embeddings の比較ではなく、クエリと文書間で動的なトークンレベルの相互作用を行い、コサイン類似度が見逃すコンテキストのニュアンスを捕捉します。1,024 トークンのコンテキストウィンドウは、長い文書の自動チャンキングとチャンク間の max-pooling をサポートします。訓練は、ハードネガティブマイニングを用いたクエリ-文書関連ペアでのコントラスティブ損失を使用しました。このモデルは最初の Jina リランカーであり、ナレッジ蒸留により turbo と tiny バリアントのパターンを確立しました。

モデルはベースラインのベクトル検索に対してヒット率 8 % 向上、平均相互順位 33 % 向上を達成します。BEIR では平均 NDCG@10 が 0.5588 で、BGE（0.5032）、BCE（0.4969）、Cohere（0.5141）を上回ります。長いコンテキスト理解の LoCo ベンチマークでは 0.873 を記録し、競合に大きく先行しています。技術コンテンツに特に強く、QASPER 要旨では 0.996、政府報告書解析では 0.962 ながら、会議要約タスクでは低め（0.466）です。レイテンシは文書長に比例します：256 トークンで 156 ms、512 トークンのクエリで 4,096 トークンでは 7,068 ms。

二段階パイプラインを実装してください：ベクトル検索（例：jina-embeddings-v5-text-small）が初期候補を提供し、このモデルが上位 100–200 件を再ランキングして精度を向上させます。本モデルは英語のみ — 多言語アプリケーションには jina-reranker-v2-base-multilingual または jina-reranker-v3.5 を使用してください。本番のスループットには CUDA 対応ハードウェアが必要です。新規プロジェクトには jina-reranker-v3.5（多言語、リストワイズ、131K コンテキスト、BEIR NDCG@10 63.20）を推奨します。本モデルは Jina Reranker API、AWS SageMaker、Hugging Face で利用可能です。RAG システムとの統合時は、レイテンシ要件に基づいて再ランキングに渡す文書数を調整してください — 100–200 文書が通常、品質と速度のバランスを取ります。