jina-embeddings-v5-text-nano

jina-embeddings-v5-text-nano 是构建在 EuroBERT-210M 骨干上的 239M 参数多语言文本向量模型。它支持 8K token 上下文，生成可用 Matryoshka 截断至 32 维的 768 维向量，并交付 Jina 的 500M 以下向量家族中每参数最高精度。专为无完整 GPU 可用的边缘部署、延迟敏感应用和资源受限环境而设计。

该模型基于 EuroBERT-210M——一个在覆盖 15 种主要语言的多语言数据上预训练的紧凑双向编码器。它采用 Last-Token-Pooling 从最终 token 表示生成向量。训练遵循两阶段蒸馏方案：首先，从更大的教师模型进行知识蒸馏以转移向量质量；其次，用任务特定的对比损失在检索、文本匹配、聚类和分类任务上微调模型。Matryoshka Representation Learning 允许在任何受支持尺寸（32、64、128、256、512、768）截断向量维度，同时保持强性能。Geometric Orthogonal Regularization（GOR）将二进制量化下的性能退化限制在 MTEB 检索上不到 2 分。8K 上下文窗口实现无需分块的长文档处理。

在 MMTEB（多语言）上，该模型仅以 239M 参数取得任务级平均 65.5 和类型级平均 57.7，超越了 500M 以下的所有模型，包括 KaLM-mini-v2.5（60.1，494M）、voyage-4-nano（58.9，480M）和 Gemma-300M（61.1，308M）。任务级分数：分类 69.2、聚类 52.7、成对分类 81.9、重排序 64.6、检索 63.3、STS 78.2。在英文 MTEB 上，它取得 71.0 平均，几乎追平大得多的 jina-embeddings-v5-text-small（71.7）。检索专项：MTEB-M 63.26、RTEB 64.08、BEIR 56.06、LongEmbed 63.65。得益于 GOR 正则化，向量在二进制量化下依然稳健。

选择合适的任务前缀：非对称查询-文档检索用 'retrieval'，对称相似度用 'text-matching'，分组用 'clustering'，分类用 'classification'。Matryoshka 截断到 256 维可保留 95% 以上的检索质量，同时减少 67% 的存储。支持二进制量化以进一步减少存储。EuroBERT 骨干为包括英语、法语、德语、西班牙语、中文、日语、阿拉伯语和印地语在内的 15 种主要语言提供强覆盖。使用余弦相似度比较向量。可通过 Jina AI API、Hugging Face（Sentence Transformers、vLLM）和 llama.cpp 的量化变体获取。对于需要 32K 上下文或更高精度的工作负载，请改用 jina-embeddings-v5-text-small。