概述
jina-reranker-v1-base-en 是一個 137M 參數的英語交叉編碼器重排模型,透過分析查詢與文件配對的詞元級細節來精煉搜尋結果。相較於基準向量搜尋,它把搜尋準確率提升 20%,成為 Jina 第一代重排模型系列的主力。如今它已由多語言 v2 與 listwise v3 系列取代。
方法
該模型採用基於 BERT 的交叉注意力架構(12 層、12 個注意力頭、768 隱藏維度、137M 參數),與基於向量的做法有本質差異。它不比較預先算好的文件向量,而是在查詢與文件之間做動態的詞元級互動,捕捉餘弦相似度抓不到的上下文細節。8,192 詞元的上下文視窗支援自動分塊,並對較長文件做跨塊最大池化。訓練在查詢與文件相關性配對上使用對比損失,並結合困難負樣本挖掘。該模型是 Jina 第一個重排模型,並透過知識蒸餾為 turbo 與 tiny 變體奠定基礎。
效能
相較於基準向量搜尋,該模型的命中率提升 8%,MRR 提升 33%。在 BEIR 上,它的平均 NDCG{'@'}10 為 0.5588,優於 BGE(0.5032)、BCE(0.4969)與 Cohere(0.5141)。在長上下文理解的 LoCo 基準上,它得分 0.873,明顯領先競爭對手。技術內容是它的強項:QASPER 摘要上 0.996、政府報告分析上 0.962,但會議摘要任務表現較低(0.466)。延遲隨文件長度增加:256 詞元為 156ms,512 詞元查詢搭配 4,096 詞元文件為 7,068ms。
最佳實務
實作兩階段管線:先由向量搜尋(例如 jina-embeddings-v5-text-small)提供初始候選,再由這個模型對前 100–200 名重排序,以提升精確度。該模型僅支援英語——多語言應用請用 jina-reranker-v2-base-multilingual 或 jina-reranker-v3.5。生產吞吐量需要支援 CUDA 的硬體。新專案建議改用 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 與 Hugging Face 取得。與 RAG 系統整合時,請依延遲需求調整送進重排序的文件數量——100–200 份通常能在品質與速度間取得平衡。










