Jina Reranker 新模型发布，更小、更快、更便宜！

在传统文本搜索技术已经相对成熟的背景下，如何进一步提高搜索的效率和速度成为了新的追求目标。应对这一挑战，Jina Reranker 模型系列推出了两款针对性能调优的新模型：jina-reranker-v1-turbo-en 和 jina-reranker-v1-tiny-en，它们在保证搜索高准确度的同时，特别强化了处理速度和资源优化。这两款模型现已上线 AWS Sagemaker 和 Hugging Face 平台，为需要快速响应和高效资源利用的场景提供了理想的解决方案。

Jina Reranker Turbo 和 Tiny 模型的速度，这得益于我们独创的 JinaBERT：一个增强版本的 BERT 架构，采用了对称双向的 ALiBi 方案，能够处理长达 8192 Token 的输入，非常适合对大型文档和复杂查询进行深入分析。

Jina Reranker Turbo: https://huggingface.co/jinaai/jina-reranker-v1-turbo-en

Jina Reranker Tiny: https://huggingface.co/jinaai/jina-reranker-v1-tiny-en

根据我们在 Jina Reranker v1 模型中获得的经验，考虑到 AI 模型的运行成本，许多用户更倾向于选择更小、更快、更便宜的模型，哪怕可能牺牲一些准确度。因此我们简化了模型设计，特别是减少隐藏层的数量，并缩减其宽度，以此不仅加快了处理速度，还显著减小了模型的体积，大幅降低了成本，而对性能的影响几乎可以忽略，非常适合那些对延迟有严格要求的场景。

接下来，本文将详细介绍 Jina Reranker Turbo 和 Tiny 的架构设计、性能表现，并提供开始使用这些模型的具体指导。

精简架构

Jina Reranker Turbo 采用了 6 层架构，总共有 3780 万参数，相较于我们的基础 Reranker 模型 jina-reranker-v1-base-en，Turbo 模型仅是其参数数量的 1/4，同时处理速度提高了 3 倍，适用于对即时处理需求较高的应用场景。

Jina Reranker Tiny 进一步精简到 4 层架构，仅 3300 万参数，提供了更大的并行处理能力，以及更快的处理速度ÿ