Обзор
jina-embeddings-v2-base-zh — двуязычная эмбеддинг-модель текста на 161M параметров для китайского и английского, с окном контекста в 8 192 токенов и выходом в 768 измерений. Это была первая open-source модель, бесшовно обрабатывавшая и китайский, и английский с поддержкой длинного контекста, и решавшая специфические задачи токенизации китайского текста, основанного на иероглифах, в трансформерных архитектурах.
Методы
Модель построена на backbone BERT с симметричным двунаправленным позиционным кодированием ALiBi. 161M параметров, выходное пространство — 768 измерений. Обучение следовало трёхфазному подходу: начальное предобучение на высококачественных двуязычных китайско-английских данных, за которым последовали основной и дополнительный этапы дообучения с контрастивным loss и отбором трудных негативов. Механизм ALiBi обеспечивает окно контекста в 8 192 токенов без выученных позиционных эмбеддингов. Заметное улучшение в финальном релизе — уточнённое распределение оценок близости, которое устранило проблемы инфляции оценок, присутствовавшие в превью-версии, и дало более различительные и хорошо откалиброванные оценки близости.
Производительность
На лидерборде C-MTEB (китайский MTEB) модель продемонстрировала выдающееся качество среди моделей объёмом менее 0,5 ГБ, особенно отличившись на китайских задачах. Она значительно превзошла text-embedding-ada-002 от OpenAI на специфичных для китайского задачах поиска и близости, сохраняя при этом конкурентоспособное качество на английских задачах. Уточнённое распределение оценок близости улучшило различение связанного и несвязанного контента на обоих языках. В 2026 году jina-embeddings-v5-text-small вытесняет эту модель, предлагая 89 языков, контекст 32K и task-специфичные LoRA-адаптеры.
Рекомендации
Оптимальна для двуязычного поиска «китайский-английский», межъязыкового поиска документов и мультиязычного анализа контента. Для документов свыше 8 192 токенов используйте семантический чанкинг или параметр `late_chunking через API Jina. Модель интегрируется с основными векторными базами данных и RAG-фреймворками. Для новых мультиязычных проектов предпочитайте jina-embeddings-v5-text-small` (89 языков, контекст 32K, LoRA-адаптеры). Для продакшена рекомендуется GPU с поддержкой CUDA. Входной текст должен быть на китайском или английском; модель обрабатывает оба языка нативно без перевода.





