概述
jina-embeddings-v2-base-zh 是一個 161M 參數的中英雙語文字向量模型,具備 8,192 詞元的上下文視窗與 768 維輸出。它是首個能在長上下文支援下無縫處理中文與英文的開源模型,解決了 Transformer 架構處理以字元為單位的中文文字時特有的分詞難題。
方法
該模型使用帶對稱雙向 ALiBi 位置編碼的 BERT 骨幹、161M 參數與 768 維輸出空間。訓練分三階段:先在高品質中英雙語資料上做初始預訓練,接著進行含對比損失與困難負樣本挖掘的主微調與次微調。ALiBi 機制不需學習式位置編碼就能撐起 8,192 詞元的上下文視窗。最終版本的一項顯著改進是更細緻的相似度分數分佈,解決了預覽版分數虛高的問題,讓相似度分數更具區辨力、校準也更準確。
效能
在 C-MTEB(中文 MTEB)排行榜上,該模型在 0.5GB 以下的模型中表現卓越,中文任務尤其出色。它在中文專屬的檢索與相似度任務上大幅勝過 OpenAI 的 text-embedding-ada-002,在英文任務上也維持具競爭力的表現。更細緻的相似度分數分佈,改善了兩種語言中相關與不相關內容的區辨力。2026 年,jina-embeddings-v5-text-small 以 89 種語言、32K 上下文與任務特定 LoRA 適配器取代該模型。
最佳實務
中英雙語檢索、跨語言文件搜尋與多語言內容分析的最佳選擇。文件超過 8,192 詞元時,請用語意分塊,或經 Jina API 使用 `late_chunking 參數。該模型可與主流向量資料庫及 RAG 框架整合。新的多語言專案建議改用 jina-embeddings-v5-text-small`(89 種語言、32K 上下文、LoRA 適配器)。生產吞吐量建議搭配支援 CUDA 的 GPU。輸入文字應為中文或英文;該模型原生處理這兩種語言,不需翻譯。





