Jina AI: kisebb és gyorsabb reranker érkezett listwise kereséshez

Kisebb modell, erős benchmark-eredmények

A listwise reranker egy keresési vagy ügynöki információ-visszakeresési folyamatban egyszerre értékeli a jelöltek teljes listáját. A jina-reranker-v3.5 megtartja a korábbi jina-reranker-v3 úgynevezett last-but-not-late interakcióját, amely lehetővé teszi a dokumentumok közötti összehasonlítást.

A Jina AI szerint a modell a BEIR benchmarkon 63,20 nDCG@10 értéket ért el. Ez a vállalat összevetésében a 4 milliárd paraméteres Qwen3-Reranker-4B eredményét is meghaladja, nagyjából hétszer kevesebb paraméterrel. A 1,5 milliárd paraméteres mxbai-rerank-large-v2 62,45, a Qwen3-Reranker-4B pedig 62,28 pontot ért el ugyanebben az összehasonlításban.

A többnyelvű MIRACL teszten a modell 74,11 pontot ért el 18 nyelven. A jina-reranker-v3-hez képest a legnagyobb nyelvenkénti javulást a joruba, a perzsa és a francia esetében mérték, rendre 4,4, 3,1 és 3,0 ponttal. A szakmai területeket vizsgáló RTEB-n 70,95 pontot kapott, megelőzve a vele azonos méretű Qwen3-Reranker-0.6B 68,41-es, valamint az 1,5 milliárd paraméteres mxbai-rerank-large-v2 70,81-es eredményét.

Félig strukturált adatokon a legnagyobb az előrelépés

A modell legnagyobb javulását a Struct-IR félig strukturált visszakeresési tesztjén mutatta. Itt 48,3 nDCG@10 értéket ért el, ami 9,6 ponttal magasabb a jina-reranker-v3 eredményénél. A Jina AI szerint ezen a területen a hasonló méretű rerankerek között is az új modell vezet.

A tesztben a méréshez minden releváns dokumentumot, valamint az első szakasz 30 legnehezebb zavaró dokumentumát is bevonták. Ez a protokoll a mezőkhöz kötött megkülönböztetést méri, és a forrás szerint nem hasonlítható össze az SSRB visszakeresési ranglistájával.

A tanítási adatok összeállításakor a fejlesztők a jogi, orvosi, pénzügyi, többnyelvű és strukturált keresési feladatok hibáira összpontosítottak. A nehéz negatív példák több visszakeresőből származtak, köztük a BM25, a Jina, a BGE, a GTE, az E5 és a ColBERT rendszereiből. A jogi adatkészlet többek között az EUR-Lex multilingual, a CLERC, az AILA, a kanadai esetjog, a svájci jogeset-összefoglalók és az EuroVoc anyagait tartalmazta.

Hibrid figyelem és önlepárlás gyorsítja a futtatást

A teljes önfigyelem (self-attention) költsége a listán szereplő dokumentumok számával négyzetesen nő. A jina-reranker-v3.5 ezért három csúszóablakos réteget két globális réteg követő, úgynevezett 3L2G ütemezést használ. A csúszóablak mérete 1024 token, a modellben összesen 17 lokális és 11 globális réteg dolgozik.

Az utolsó réteg mindig globális marad. Erre azért van szükség, mert a lekérdezés beágyazási tokenje a szekvencia végén található, így a teljes jelöltlistára figyelnie kell a dokumentumok közötti kapcsolatokat tartalmazó reprezentáció létrehozásához. A Jina AI szerint a hibrid felépítés legfeljebb 1,56-szorosára növeli a listwise következtetés sebességét a jina-reranker-v3-hoz képest.

A fejlesztők háromlépcsős önlepárlást (self-distillation) alkalmaztak. A tanár és a tanuló egyaránt 0,6 milliárd paraméteres, különbségük a figyelmi mintázat. A teljes figyelmet használó tanár után a tanuló először a ritka figyelmi maszkhoz igazodik, majd a tanár pontszámaihoz, rejtett állapotaihoz és beágyazásaihoz igazított tanítást kap.

Elérhető a Hugging Face-en

A Jina AI 2026. augusztus 3-án tette közzé a jina-reranker-v3.5 súlyait a Hugging Face-en. A modell nem kereskedelmi licenc alatt érhető el. A kiadás azoknak a fejlesztőknek lehet releváns, akik hosszú dokumentumlistákon, szakmai adatokon vagy mezőkhöz kötött rekordokon szeretnének újrarangsorolást futtatni, miközben a teljes globális figyelem költségét csökkentenék.