jina-reranker-v1-base-en

jina-reranker-v1-base-en는 137M 파라미터의 영어 크로스 엔코더 리랭커로, 쿼리-문서 쌍에 대한 토큰 수준 분석을 수행해 검색 결과를 정교화합니다. 베이스라인 벡터 검색 대비 검색 정확도를 20% 향상시켜 Jina 1세대 리랭커 계열의 주력이 되었습니다. 현재 다국어 v2와 리스트와이즈 v3 계열에 의해 대체되었습니다.

모델은 BERT 기반 크로스 어텐션 아키텍처(12개 레이어, 12개 어텐션 헤드, 768개 은닉 차원, 137M 파라미터)를 사용하며, 임베딩 기반 접근법과 근본적으로 다릅니다. 사전 계산된 문서 임베딩을 비교하는 대신, 쿼리와 문서 사이에 동적 토큰 수준 상호작용을 수행하여 코사인 유사도가 놓치는 컨텍스트 뉘앙스를 포착합니다. 1,024토큰 컨텍스트 윈도우는 긴 문서의 자동 청킹과 청크 간 max-pooling을 지원합니다. 학습은 하드 네가티브 마이닝을 사용한 쿼리-문서 관련성 페어에 대한 대비 손실을 사용했습니다. 이 모델은 첫 Jina 리랭커였으며, 지식 증류를 통해 turbo와 tiny 변종의 패턴을 확립했습니다.

모델은 베이스라인 벡터 검색 대비 히트 레이트 8% 증가와 평균 역순위(MRR)를 33% 끌어올립니다. BEIR에서 평균 NDCG@10 0.5588을 기록해 BGE(0.5032), BCE(0.4969), Cohere(0.5141)를 능가합니다. 긴 컨텍스트 이해의 LoCo 벤치마크에서 0.873을 기록해 경쟁자보다 크게 앞서 있습니다. 기술 콘텐츠에서 특히 강점이 있어 QASPER 초록에서 0.996, 정부 보고서 분석에서 0.962를 기록하지만, 회의 요약 작업에서는 낮습니다(0.466). 지연 시간은 문서 길이에 따라 달라집니다: 256토큰은 156ms, 512토큰 쿼리에서 4,096토큰은 7,068ms.

2단계 파이프라인을 구현하세요: 벡터 검색(예: jina-embeddings-v5-text-small)이 초기 후보를 제공하고, 이 모델이 정밀도를 위해 상위 100–200개를 재랭킹합니다. 모델은 영어 전용 — 다국어 애플리케이션에는 jina-reranker-v2-base-multilingual 또는 jina-reranker-v3.5를 사용하세요. 프로덕션 처리량을 위해 CUDA 지원 하드웨어가 필요합니다. 새 프로젝트에는 jina-reranker-v3.5(다국어, 리스트와이즈, 131K 컨텍스트, 63.20 BEIR NDCG@10)를 권장합니다. 모델은 Jina Reranker API, AWS SageMaker, Hugging Face에서 사용할 수 있습니다. RAG 시스템과 통합할 때, 레이턴시 요구사항에 따라 재랭킹에 보내는 문서 수를 조정하세요 — 100–200개 문서가 일반적으로 품질과 속도의 균형을 잡습니다.