概述
jina-embeddings-v5-text-nano 是建構在 EuroBERT-210M 骨幹上的 239M 參數多語言文字向量模型。它支援 8K 詞元上下文,產生 768 維向量並可經 Matryoshka 截斷至 32 維,在 Jina 500M 以下的向量模型系列中提供最高的每參數精確度。它專為沒有完整 GPU 可用的邊緣部署、延遲敏感應用與資源受限環境而設計。
方法
該模型建構在 EuroBERT-210M 上,這是在涵蓋 15 種主要語言的多語言資料上預訓練的輕巧雙向編碼器。它採用 Last-Token-Pooling,從最後一個詞元的表示產生向量。訓練採兩階段蒸餾方案:先從較大的教師模型做知識蒸餾,移轉向量品質;再用任務特定的對比損失,在檢索、文字匹配、分群與分類任務上微調。Matryoshka Representation Learning 讓向量維度可在任何支援的尺寸(32、64、128、256、512、768)截斷,同時維持強勁效能。Geometric Orthogonal Regularization(GOR)把二進位量化下的效能退化限制在 MTEB 檢索 2 分以內。8K 上下文視窗讓長文件無需分塊即可處理。
效能
在 MMTEB(多語言)上,該模型僅以 239M 參數就取得任務級平均 65.5、類型級平均 57.7,勝過 500M 以下的所有模型,包括 KaLM-mini-v2.5(60.1,494M)、voyage-4-nano(58.9,480M)與 Gemma-300M(61.1,308M)。任務級分數:分類 69.2、分群 52.7、成對分類 81.9、重排序 64.6、檢索 63.3、STS 78.2。在英文 MTEB 上,它平均 71.0,幾乎追平大得多的 jina-embeddings-v5-text-small(71.7)。檢索專項:MTEB-M 63.26、RTEB 64.08、BEIR 56.06、LongEmbed 63.65。拜 GOR 正則化之賜,向量在二進位量化下依然穩健。
最佳實務
選擇對應的任務適配器:非對稱查詢對文件檢索用 'retrieval',對稱相似度用 'text-matching',分群用 'clustering',分類用 'classification'。Matryoshka 截斷到 256 維可保留 95% 以上的檢索品質,同時減少 67% 的儲存。支援二進位量化,可進一步壓低儲存需求。EuroBERT 骨幹對英文、法文、德文、西班牙文、中文、日文、阿拉伯文與印地文等 15 種主要語言提供良好覆蓋。比較向量請用餘弦相似度。可透過 Jina AI API、Hugging Face(Sentence Transformers、vLLM)取得,也有供 llama.cpp 使用的量化版本。需要 32K 上下文或更高精確度的工作負載,請改用 jina-embeddings-v5-text-small。






