jina-reranker-v1-base-en

jina-reranker-v1-base-en — англоязычный cross-encoder-реранкер на 137M параметров, уточняющий результаты поиска за счёт анализа на уровне токенов пар «запрос-документ». Он даёт на 20 % лучшую точность поиска по сравнению с базовым векторным поиском, что делает его рабочей лошадкой первого поколения реранкеров Jina. Теперь его вытеснили мультиязычные семейства v2 и listwise v3.

Модель использует BERT-архитектуру cross-attention (12 слоёв, 12 головок внимания, 768 скрытых измерений, 137M параметров), которая фундаментально отличается от embedding-подходов. Вместо сравнения предвычисленных эмбеддингов документов она выполняет динамические взаимодействия на уровне токенов между запросом и документом, улавливая контекстные нюансы, которые упускает косинусное сходство. Окно контекста в 1 024 токена поддерживает автоматический чанкинг и max-pooling по чанкам для более длинных документов. В обучении использовался контрастный loss на парах «запрос-документ» с добычей трудных негативов. Модель стала первым реранкером Jina и определила шаблон для вариантов turbo и tiny через дистилляцию знаний.

Модель даёт рост hit rate на 8 % и повышение среднего обратного ранга на 33 % по сравнению с базовым векторным поиском. На BEIR она набирает в среднем NDCG@10 0,5588, превосходя BGE (0,5032), BCE (0,4969) и Cohere (0,5141). На бенчмарке LoCo для понимания длинного контекста она набирает 0,873, значительно опережая конкурентов. Она особенно сильна на техническом контенте: 0,996 на абстрактах QASPER и 0,962 на анализе правительственных отчётов, хотя качество ниже (0,466) на задачах суммаризации встреч. Латентность растёт с длиной документа: 156 мс для 256 токенов, 7 068 мс для 4 096 токенов при 512-токенном запросе.

Реализуйте двухэтапный конвейер: векторный поиск (например, jina-embeddings-v5-text-small) даёт начальные кандидаты, затем эта модель пере-ранжирует топ 100–200 ради точности. Модель только на английском — для мультиязычных приложений используйте jina-reranker-v2-base-multilingual или jina-reranker-v3.5. Для продакшн-пропускной способности требуется CUDA-аппаратура. Для новых проектов предпочтительна jina-reranker-v3.5 (мультиязычная, listwise, контекст 131K, 63,20 BEIR NDCG@10). Модель доступна через Jina Reranker API, AWS SageMaker и Hugging Face. При интеграции с RAG-системами настраивайте число документов, отправляемых на пере-ранжирование, в соответствии с требованиями к латентности — 100–200 документов обычно балансируют качество и скорость.