jina-reranker-v1-base-en

jina-reranker-v1-base-en 是一個 137M 參數的英語 cross-encoder 重排序模型，透過查詢-文件對的 token 級分析來最佳化搜尋結果。相比基準向量搜尋，它將搜尋準確率提升了 20%，成為 Jina 第一代重排序器家族的主力。它現已被多語言 v2 和 listwise v3 家族取代。

該模型採用基於 BERT 的 cross-attention 架構（12 層、12 個注意力頭、768 隱藏維度、137M 參數），從根本上不同於基於向量的方法。它不比較預先計算的文件向量，而是在查詢與文件之間執行動態的 token 級交互，捕捉餘弦相似度會遺漏的上下文細微差別。1,024 token 的上文視窗支援針對較長文件的自動分塊和跨塊 max-pooling。訓練在查詢-文件相關性對上使用對比損失，並結合困難負樣本挖掘。該模型是第一個 Jina 重排序器，透過知識蒸餾確立了 turbo 和 tiny 變體的模式。

該模型相比基準向量搜尋，命中率提升 8%，平均倒數排名提升 33%。在 BEIR 上，它取得平均 NDCG{'@'}10 為 0.5588，優於 BGE（0.5032）、BCE（0.4969）和 Cohere（0.5141）。在面向長上文理解的 LoCo 基準上，它得分 0.873，大幅領先競爭對手。它在技術內容上表現尤為突出：QASPER 摘要上 0.996，政府報告分析上 0.962，但會議摘要任務上表現較低（0.466）。延遲隨文件長度增加：256 token 為 156ms，512 token 查詢下 4,096 token 為 7,068ms。

實現兩階段流水線：向量搜尋（例如 jina-embeddings-v5-text-small）提供初始候選，然後該模型對前 100–200 個結果重新排序以提升精度。該模型僅限英語——多語言應用請使用 jina-reranker-v2-base-multilingual 或 jina-reranker-v3.5。它需要支援 CUDA 的硬體才能達到生產吞吐量。對於新專案，優先選擇 jina-reranker-v3.5（多語言、listwise、131K 上下文、63.20 BEIR NDCG{'@'}10）。該模型可透過 Jina Reranker API、AWS SageMaker 和 Hugging Face 取得。與 RAG 系統整合時，請根據延遲需求調整發送重新排序的文件數量——100–200 個文件通常能平衡品質和速度。