jina-reranker-v2-base-multilingual

jina-reranker-v2-base-multilingual — cross-encoder-реранкер на 278M параметров, поддерживающий 100+ языков с окном контекста в 1 024 токена (524 288 токенов с Flash Attention 2). Это был первый реранкер Jina, вышедший за рамки только английского. Он достиг SOTA-качества на AirBench и сильных результатов на задачах со структурированными данными, включая function calling и сопоставление SQL-схем. Он обрабатывает документы в 15 раз быстрее сопоставимых моделей.

Модель использует архитектуру cross-encoder, усиленную Flash Attention 2, что позволяет напрямую сравнивать запросы и документы поверх языковых барьеров. BERT-энкодер на 278M параметров использует симметричное двунаправленное внимание с позиционным кодированием ALiBi для базового контекста в 1 024 токена (расширяемого до 524 288 токенов с Flash Attention 2). Обучение следовало четырёхэтапному прогрессивному процессу: (1) английские языковые способности, (2) межъязыковое выравнивание, (3) включение мультиязычных данных, (4) уточнение на трудных негативах. Этот поэтапный подход предотвратил катастрофическое забывание, которое часто возникает при добавлении мультиязычных данных в одноязычную модель. Реализация Flash Attention 2 — ключевая инновация в эффективности, обеспечивающая в 15 раз более высокую пропускную способность, чем bge-reranker-v2-m3.

Модель достигает SOTA-качества на лидерборде AirBench для RAG-систем и сильных результатов на MKQA (26 языков). Она сильна на задачах со структурированными данными: высокая полнота на ToolBench (function calling) и NSText2SQL (сопоставление SQL-схем). Больше всего впечатляет то, что она обрабатывает документы в 15 раз быстрее сопоставимых моделей вроде bge-reranker-v2-m3, что делает её практичной для приложений в реальном времени. Поддержка 100+ языков и возможности работы со структурированными данными делают её особенно подходящей для агентных RAG-систем и мультиязычного поиска по документации API. В 2026 году jina-reranker-v3.5 вытесняет эту модель, предлагая listwise-взаимодействие, контекст 131K и доменное обучение.

Модель требует GPU с поддержкой CUDA и доступна через Jina Reranker API, основные RAG-фреймворки (Haystack, LangChain) и облачные маркетплейсы (AWS, Azure, GCP). Она сильна там, где нужно точное понимание несмотря на языковые барьеры и разные типы данных: глобальные компании, работающие с мультиязычным контентом, поиск по документации API, поиск кода в мультиязычных кодовых базах. С окном контекста в 1 024 токена и автоматическим чанкингом для более длинных документов она эффективно обрабатывает развёрнутый контент. Используйте эту модель, когда нужно повысить точность поиска между языками, требуются возможности function calling для агентного RAG или нужно улучшить поиск кода в мультиязычных кодовых базах. Для новых проектов jina-reranker-v3.5 предлагает listwise-ранжирование, контекст 131K и доменные улучшения.