jina-reranker-v1-tiny-en

jina-reranker-v1-tiny-en 是一個 33M 參數的英語 cross-encoder 重排序模型——Jina v1 家族中最小的一個。透過積極的知識蒸餾，它在將文件處理速度提升 5 倍、記憶體使用比 turbo 變體少 13% 的同時，保留了基準模型 92.5% 的準確率。它面向對延遲預算要求嚴格的邊緣計算、移動應用和高吞吐搜尋系統設計。

該模型採用基於 JinaBERT 的精簡四層架構，使用對稱雙向 ALiBi 位置編碼。其開發利用了來自 137M 參數 jina-reranker-v1-base-en 的知識蒸餾，該模型作為教師模型。學生模型無需大量真實訓練資料即可學習最佳排序行為，僅用 33M 參數即可匹配教師的軟排序分佈。四層設計和縮減的隱藏維度實現了對基準模型的 5 倍加速。該模型支援 1,024 token 的上下文，並對較長文件自動分塊。

在 BEIR 上，該模型取得 NDCG@10 48.54，保留了基準模型性能（52.45）的 92.5%，而體積僅為後者的四分之一。在 LlamaIndex RAG 基準上，它在顯著更快處理文件的同時保持 83.16% 的命中率，幾乎與更大的模型相當。吞吐量比基準模型快近 5 倍，記憶體使用比 turbo 變體少 13%。這些指標可與或超過 mxbai-rerank-base-v1（184M）和 bge-reranker-base（278M）等更大的模型。性能-體積的權衡使其特別適合資源受限的部署。

優先選擇處理速度和資源效率至關重要的場景：邊緣計算、移動應用以及對延遲預算要求嚴格的高吞吐搜尋系統。對於需要絕對最大排序精度的應用，基準模型或 jina-reranker-v3.5 更合適。該模型需要支援 CUDA 的 GPU 才能達到最佳性能，但可在比更大模型更低的硬體上運行。它與主要向量資料庫和 RAG 框架整合，可透過 Jina Reranker API 和 AWS SageMaker 取得。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。針對特定領域微調時，請仔細平衡訓練資料品質與模型的精簡架構，以維持性能特性。