概述
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,把英文文字映射為 768 維向量。它為語意搜尋、相似度比較與內容推薦而設計,當時 512 詞元上下文仍是業界標準,也由此奠定 Jina 踏入開源向量模型領域的起點。該模型如今已是舊版模型,由支援 8K+ 詞元上下文與多語言輸入的 v2、v3 系列取代。
方法
該模型採 T5 編碼器架構搭配平均池化,產生固定長度的 768 維表示。訓練在 Linnaeus-Clean 資料集(從 1.6B 候選中篩出的 385M 句對)上依兩階段對比方案進行:先用正例文字對計算 InfoNCE 損失,學習語意對齊;再用三元組損失,強化相似但語意不同文字之間的區辨。一項關鍵設計決策是平均池化策略,它把詞元級表示平均起來,產生一個能捕捉句子整體語意的向量。512 詞元的上下文視窗在當時是標準規格,卻限制了模型在長文件應用上的實用性。
效能
在 STS12 上,該模型取得 0.751 的相關係數,發布時勝過 all-mpnet-base-v2 與 all-minilm-l6-v2。它在標準英文句子向量任務上表現出色,同時維持適合生產環境的推理速度。512 詞元的上下文視窗與純英語定位,使它不適合處理 2025 年已成為標準的長文件與多語言工作負載。該模型已由 jina-embeddings-v2-base-en(8K 上下文、雙向 ALiBi)與 jina-embeddings-v3(570M 參數、89 種語言、任務特定 LoRA 適配器)取代。
最佳實務
該模型已屬舊版,不建議用於新專案。若正從 jina-embedding-b-en-v1 遷移,目前的工作負載請升級到 jina-embeddings-v5-text-small——它支援 32K 詞元上下文、89 種語言與任務特定 LoRA 適配器。程式碼專屬的向量需求請用 jina-code-embeddings-1.5b。該模型需要支援 CUDA 的硬體才能發揮最佳效能,輸入上限為 512 詞元。它不適合多語言內容、長文件或以程式碼為主的應用。
