jina-reranker-v2-base-multilingual

jina-reranker-v2-base-multilingual 是一個 278M 參數的 cross-encoder 重排序模型，支援 100 多種語言，具有 1,024 token 的上下文視窗（使用 Flash Attention 2 時為 524,288 token）。它是打破僅限英語限制的首個 Jina 重排序器，在 AirBench 上取得 SOTA 效能，並在包括函數呼叫和 SQL 模式匹配在內的結構化資料任務上表現強勁。它處理文件的速度比同類模型快 15 倍。

該模型採用經 Flash Attention 2 增強的 cross-encoder 架構，使查詢與文件能跨越語言障礙直接比較。278M 參數的 BERT 編碼器對 1,024 token 的基礎上下文（使用 Flash Attention 2 可擴展至 524,288 token）使用對稱雙向注意力和 ALiBi 位置編碼。訓練遵循四階段漸進過程：(1) 英語能力，(2) 跨語言對齊，(3) 多語言資料納入，(4) 困難負樣本精化。這種分階段方法防止了向單語模型添加多語言資料時常發生的災難性遺忘。Flash Attention 2 實現是關鍵的效率創新，實現了比 bge-reranker-v2-m3 高 15 倍的吞吐量。

該模型在面向 RAG 系統的 AirBench 排行榜上取得 SOTA 效能，並在 MKQA（26 種語言）上表現強勁。它在結構化資料任務上表現卓越：ToolBench（函數呼叫）上的高召回率和 NSText2SQL（SQL 模式匹配）。最令人印象深刻的是，它比 bge-reranker-v2-m3 等同類模型快 15 倍地處理文件，使其適用於即時應用。100 多種語言支援加上結構化資料能力，使其特別適合智能體 RAG 系統和多語言 API 文件搜尋。2026 年，jina-reranker-v3.5 以 listwise 交互、131K 上下文和領域特定訓練取代該模型。

該模型需要支援 CUDA 的 GPU，可透過 Jina Reranker API、主要 RAG 框架（Haystack、LangChain）和雲市場（AWS、Azure、GCP）存取。它在需要跨越語言障礙和資料類型的精確理解場景中表現出色：處理多語言內容的全球企業、API 文件搜尋、多語言程式碼庫中的程式碼檢索。憑藉 1,024 token 的上下文視窗和針對較長文件的自動分塊，它高效處理擴展內容。當你需要跨語言提升搜尋準確率、需要智能體 RAG 的函數呼叫能力、或想改進多語言程式碼庫的程式碼搜尋時，使用此模型。對於新專案，jina-reranker-v3.5 提供 listwise 排序、131K 上下文和領域特定改進。