概述
jina-embeddings-v2-base-code 是一個 161M 參數的程式碼向量模型,把 30 種語言的程式碼映射到共享的 768 維語意空間。憑藉 8,192 詞元的上下文視窗,它是 Jina 首個能檢索完整函式與多重檔案程式碼而不需截斷的向量模型。發布時,它在 15 個 CodeNetSearch 基準中拿下 9 項第一。
方法
該模型使用 161M 參數、以 Transformer 為基礎的編碼器,在多種程式語言資料集上訓練,重點放在 Python、JavaScript、Java、PHP、Go 與 Ruby。8,192 詞元的上下文視窗(透過 ALiBi 位置編碼)讓它能一次前向傳播就處理完整函式與小檔案。訓練先在程式碼與文字配對(自然語言描述搭配程式碼實作)上做對比預訓練,接著在程式碼檢索資料集上以困難負樣本挖掘做監督微調。768 維向量同時捕捉語法結構與語意內涵,讓跨語言程式碼得以匹配——不同語言中功能等價的程式碼會落在向量空間的鄰近區域。
效能
發布時,該模型在 15 個 CodeNetSearch 基準中領先 9 個,勝過 Microsoft 與 Salesforce 的程式碼向量模型,同時維持更精簡的 307MB 佔用。它的 8,192 詞元上下文比競爭對手大 4–16 倍,可檢索整個檔案與複雜程式碼區塊。跨語言程式碼理解是它的強項,能匹配不同程式語言中功能等價的片段。2026 年,jina-code-embeddings-0.5b 與 jina-code-embeddings-1.5b 以自回歸骨幹、32K 上下文與明顯更高的檢索準確率取代該模型。
最佳實務
適用於單語或跨語言程式碼庫的程式碼搜尋、文件檢索與程式碼重用。文件超過 8,192 詞元時,請在函式或類別邊界分塊。該模型可與向量資料庫(Qdrant、Weaviate、MongoDB)及 RAG 框架整合。新的程式碼搜尋專案建議選用 jina-code-embeddings-1.5b(1.5B 參數、32K 上下文、SOTA 準確率)或 jina-code-embeddings-0.5b(494M 參數、適合邊緣)。生產環境建議用支援 CUDA 的 GPU。它在 Python、JavaScript、Java、PHP、Go 與 Ruby 上表現最強;支援 30 多種語言,能力會平順遞減。









