jina-reranker-v2-base-multilingual

jina-reranker-v2-base-multilingual は 278M パラメータのクロスエンコーダーリランカーで、1,024 トークンのコンテキストウィンドウ（Flash Attention 2 使用時 524,288 トークン）により 100 以上の言語をサポートします。英語限定の制限を打ち破った最初の Jina リーランカーであり、AirBench で SOTA の性能を発揮するとともに、関数呼び出しや SQL スキーママッチングを含む構造化データタスクで強い結果を出しました。同規模のモデルに比べて文書を 15 倍高速で処理します。

モデルは Flash Attention 2 により強化されたクロスエンコーダーアーキテクチャを採用し、言語の壁を超えたクエリと文書の直接比較を可能にします。278M パラメータの BERT ベースエンコーダーは、1,024 トークンのベースコンテキスト（Flash Attention 2 で 524,288 トークンまで拡張可能）に対して対称双方向アテンションと ALiBi 位置エンコーディングを使用します。訓練は 4 段階の漸進的プロセスに従いました：(1) 英語能力、(2) クロスリンガルアラインメント、(3) 多言語データ取り込み、(4) 困難負サンプルによる洗練。この段階的アプローチにより、単一言語モデルに多言語データを追加した際に生じることが多いカタストロフィックフォゲティングを防ぎました。Flash Attention 2 の実装は主要な効率革新であり、bge-reranker-v2-m3 に対する 15 倍のスループットを実現します。

モデルは RAG システム向けの AirBench リーダーボードで SOTA の性能を達成し、MKQA（26 言語）でも強い結果を出します。構造化データタスクに優れています：ToolBench（関数呼び出し）での高いリコールと NSText2SQL（SQL スキーママッチング）。最も印象的なのは、bge-reranker-v2-m3 などの同規模モデルに比べて文書を 15 倍高速で処理できる点で、リアルタイムアプリケーションに実用的です。100 以上の言語サポートと構造化データ処理能力により、エージェント型 RAG システムと多言語 API ドキュメント検索に特に適しています。2026 年、jina-reranker-v3.5 がリストワイズ相互作用、131K コンテキスト、ドメイン固有の訓練によりこのモデルに取って代わります。

モデルは CUDA 対応 GPU を必要とし、Jina Reranker API、主要 RAG フレームワーク（Haystack、LangChain）、クラウドマーケットプレイス（AWS、Azure、GCP）を通じて利用できます。言語の壁やデータタイプを超えた正確な理解を必要とするシナリオに強いです：多言語コンテンツを取り扱うグローバル企業、API ドキュメント検索、多言語コードベースにわたるコード検索。1,024 トークンのコンテキストウィンドウと長い文書向けの自動チャンキングにより、長いコンテンツを効率的に処理します。言語を超えた検索精度の向上、エージェント型 RAG のための関数呼び出し能力、多言語コードベースにわたるコード検索の向上が必要な場合にこのモデルを使用してください。新規プロジェクトでは、jina-reranker-v3.5 がリストワイズランキング、131K コンテキスト、ドメイン固有の改善を提供します。