jina-embeddings-v2-small-en 简介

jina-embeddings-v2-small-en是Jina AI推出的一个英语单语种文本嵌入模型，具备处理长达8192个字符序列的能力。该模型基于Bert架构（称为JinaBert），并采用了对称双向ALiBi（Adaptive Length and Bidirectional）技术来增强处理更长文本序列的能力。在C4数据集上进行预训练之后，jina-embeddings-v2-small-en进一步在超过4亿的句子对上进行训练，这些句子对来自多个领域并经过了严格的筛选和清洗过程。

尽管该模型在训练阶段使用了512的序列长度，但得益于ALiBi技术，它能够推断更长的序列，甚至超过训练时的长度。这一特性使得该模型尤其适用于处理长文档的场景，如长文档检索、语义文本相似度分析、文本重排、推荐系统以及基于RAG和LLM的生成式搜索等。

该模型具有3300万个参数，这确保了在保持高性能的同时，还能实现快速和内存高效的推断。作为对比，Jina AI还提供了其他几个版本的嵌入模型，包括基于T5的jina-embeddings-v1系列和支持更长序列的jina-embeddings-v2系列的其他大小版本，为不同需求的用户提供选择。

Jina AI对jina-embeddings-v2-small-en模型的详细技术细节和性能评估均在其V2技术报告中有所披露，允许感兴趣的用户和开发者更深入地了解模型的性能和应用潜力。

• 模型名称： jina-embeddings-v2-small-en
• 语言支持： 英语单语种
• 序列长度支持： 高达8192个字符
• 架构基础： 基于Bert（JinaBert）
• 特殊技术应用： 对称双向ALiBi技术支持

训练与数据

• 预训练数据集： C4数据集
• 进一步训练数据： 超过4亿的句子对及硬负例
• 域多样性： 数据覆盖多个领域，经过彻底清洗
• 训练序列长度： 使用512序列长度进行训练，但能推断至8k长度

应用场景

• 长文档处理： 长文档检索、语义文本相似度分析
• 文本处理： 文本重排、推荐系统
• 搜索引擎： RAG和LLM基于生成式搜索

性能参数

• 模型参数量： 3300万
• 推断效率： 高速且内存效率
• 性能表现： 在长序列文本处理任务中保持印象性能

模型版本对比

• V1版本（基于T5）：
• V2版本（基于JinaBert，支持8k序列）：