jina-embedding-b-en-v1

jina-embedding-b-en-v1 是 Jina AI 首個公開發布的文字向量模型：一個 110M 參數的雙向編碼器，將英文文字映射到 768 維向量。它為語意搜尋、相似度比較和內容推薦而設計，彼時 512 token 上下文是產業標準，從而確立了 Jina 進入開源向量模型領域的地位。該模型現已成為遺留模型，被支援 8K+ token 上下文和多語輸入的 v2 和 v3 系列取代。

該模型使用 T5-編碼器架構搭配平均池化，產生固定長度的 768 維表示。訓練遵循 Linnaeus-Clean 資料集上的兩階段對比方案(從 16 億候選中過濾出 385M 句對)：第一階段用正例文字對進行 InfoNCE 損失以學習語意對齊；第二階段用三元組損失以銳化相似但語意不同文字之間的判別。一個關鍵設計決策是平均池化策略，它對 token 級表示取平均，產生捕捉句子全域語意的單個向量。512 token 的上下文視窗在當時是標準，但限制了模型在長文件應用中的實用性。

在 STS12 上，模型取得 0.751 的相關係數，發布時超過 all-mpnet-base-v2 和 all-minilm-l6-v2。它在標準英文句子向量任務上表現出色，同時保持適合生產環境的快速推理時間。其 512 token 上下文視窗和僅英文的定位使其不適合到 2025 年成為標準的長文件和多語工作負載。該模型已被 jina-embeddings-v2-base-en(8K 上下文、雙向 ALiBi)和 jina-embeddings-v3(570M 參數、89 種語言、任務特定 LoRA 適配器)取代。

該模型為遺留模型，不應用於新專案。若從 jina-embedding-b-en-v1 遷移，請升級到 jina-embeddings-v5-text-small 以應對當前工作負載——它支援 32K token 上下文、89 種語言和任務特定 LoRA 適配器。對於程式碼特定的向量需求，請使用 jina-code-embeddings-1.5b。該模型需要支援 CUDA 的硬體以獲得最佳性能，接受最多 512 token 的輸入。它不適合多語內容、長文件或程式碼為中心的應用。