Обзор
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.
Методы
Модель использует архитектуру cross-attention на базе BERT (12 слоёв, 12 головок внимания, 768 скрытых измерений, 137M параметров), которая фундаментально отличается от подходов на основе эмбеддингов. 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 8 192 токена поддерживает автоматический чанкинг и max-pooling по чанкам для более длинных документов. В обучении использовалась контрастивная функция потерь на парах «запрос-документ» с отбором трудных негативов. Модель стала первым реранкером Jina и задала схему для вариантов turbo и tiny через дистилляцию знаний.
Производительность
Модель даёт рост доли попаданий 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.
Рекомендации
Реализуйте двухэтапный конвейер: векторный поиск (например, jina-embeddings-v5-text-small) даёт начальные кандидаты, затем эта модель реранжирует 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-оборудование. 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 реранжирование, в соответствии с требованиями к латентности — 100–200 документов обычно балансируют качество и скорость.










