概述
jina-embeddings-v2-base-es 是一个 161M 参数的西英双语文本向量模型,具有 8,192 词元的上下文窗口和 768 维输出。它面向西班牙语市场的跨语言检索而设计,将语义等价的西班牙语和英语内容映射到共享的向量空间。该模型填补了一个关键空白:当时大多数向量模型以英语为中心,西语性能显著下降。
方法
该模型采用基于 BERT 的骨干网络,配备对称双向 ALiBi 位置编码、161M 参数和 768 维输出空间。训练分三个阶段:(1) 在西班牙语-英语平行语料上预训练;(2) 在精选句对上做带困难负样本挖掘的对比微调;(3) 跨语言对齐,确保同一概念的西班牙语和英语表示聚在一起。ALiBi 机制不依赖学习式位置嵌入,即可支持 8,192 词元的上下文,让模型能外推超过其 512 词元的训练长度。最终向量由平均池化生成。
性能
该模型在西班牙语与英语检索任务上显著超过更大的多语言模型(E5、BGE-M3),而仅为其大小的 15–30%。它在 MTEB 西语子任务上表现出色,尤其在检索和聚类方面。8,192 词元的上下文窗口在多页文档上提供了稳定的性能,而大多数竞争模型需要分块。2026 年,jina-embeddings-v5-text-small 取代该模型,提供 89 种语言、32K 上下文和任务特定 LoRA 适配器。v2-base-es 模型仍是专用西英流水线的经济实惠选择。
最佳实践
非常适合西英双语搜索、内容推荐和跨语言文档分析。对于超过 8,192 词元的文档,使用语义分块或通过 Jina API 的 `late_chunking 参数。该模型可与主要向量数据库和 RAG 框架集成。对于需要西英之外多语言覆盖、32K 上下文或任务特定优化的新项目,请优先使用 jina-embeddings-v5-text-small`。生产环境建议使用支持 CUDA 的 GPU。输入文本应为西班牙语或英语;支持混合语言输入,但性能针对两种训练语言优化。




