I/O 圖
帕雷托前緣
30M100M300M1B3.0B10B40506070bge-base-en-v1.5bge-m3bge-small-en-v1.5CodeRankEmbedCodeSage-baseCodeSage-largeCodeSage-large-v2CodeSage-smallCodeXEmbed-7BContrievere5-base-v2e5-mistral-7b-instructe5-small-v2granite-embedding-125m-…granite-embedding-30m-e…granite-embedding-engli…granite-embedding-small…gte-base-en-v1.5gte-modernbert-basegte-Qwen2-1.5B-instructjina-code-embeddings-0.…jina-embeddings-v3jina-embeddings-v4modernbert-embed-baseNV-Embed-v2SFR-Embedding-2_RSFR-Embedding-Code-2B_RSFR-Embedding-Code-400M…snowflake-arctic-embed-…UniXcoder參數量(對數)nDCG@10
本模型
在前緣上
Jina AI
其他
CoIR
52.24
參數量
161M
按分數的排名
19 / 31
帕雷托前緣
在前緣之後
取值分佈
AUC 0.8156
語料
翻譯對
文件檢索
程式碼
0.7500.000.200.400.600.80
相關10.9%
困難負例1.5%
無關1.0%
推薦閾值
FPR 0.1 · 0.579
FPR 0.01 · 0.750
FPR 0.001 · 0.806
FPR 0.0001 · 0.839
均衡 · 0.369
AUC
0.8156
雜訊上限
0.805
召回斷崖
0.204
測量樣本對
119 / 11k
向量分量
-0.160.040.25
σ 0.0361 · 183k 個數值
向量幾何
0768
各維度平均值,游標移入檢視區間
雜訊下限
0.404
有效維度
43 / 768
選擇要比較的模型

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。

提及此模型的部落格