jinaai/jina-embeddings-v3
jinaai/jina-embeddings-v3 est un modèle d’embedding dense publié par Jina AI le 18 septembre 2024, sous licence CC-BY-NC 4.0. Il compte 572 millions de paramètres actifs, accepte jusqu’à 8 194 tokens en contexte et produit des vecteurs de 1 024 dimensions.
jinaai/jina-embeddings-v3 est un modèle d’embedding dense publié par Jina AI le 18 septembre 2024, sous licence CC-BY-NC 4.0. Il compte 572 millions de paramètres actifs, accepte jusqu’à 8 194 tokens en contexte et produit des vecteurs de 1 024 dimensions.
Le modèle sert à transformer des textes en représentations numériques pour la recherche sémantique, le RAG, la similarité documentaire, le reranking ou le clustering. Ses évaluations MTEB couvrent plusieurs langues, notamment l’allemand, le coréen, le russe, le farsi et des ensembles européens, ce qui le situe comme un embedding multilingue de sa génération.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Modèle d'embedding |
| Éditeur | Jina AI |
| Licence | CC-BY-NC 4.0 |
| Date de sortie | 18 septembre 2024 |
| Dimension du vecteur | 1 024 |
| Représentation | dense |
| Paramètres | 572 millions |
| Paramètres actifs | 572 millions |
| Longueur de séquence max | 8 194 tokens |
| Modalités (entrée → sortie) | text → embedding |
Performances (benchmarks)
| Benchmark | Score | Rang | Source | Fiabilité |
|---|---|---|---|---|
| MTEB: BEIR | 53,2 % | 62ᵉ / 192 | mteb | ✅ Mesuré |
| MTEB: BEIR-NL | 45,6 % | 4ᵉ / 16 | mteb | ✅ Mesuré |
| MTEB: Long-context Retrieval | 55,7 % | 38ᵉ / 170 | mteb | ✅ Mesuré |
| MTEB: RTEB Legal | 46,5 % | 55ᵉ / 205 | mteb | ✅ Mesuré |
| MTEB: Medical | 59,5 % | 23ᵉ / 158 | mteb | ✅ Mesuré |
| MTEB: Legal | 56,9 % | 17ᵉ / 156 | mteb | ✅ Mesuré |
| MTEB: European | 60,7 % | 18ᵉ / 128 | mteb | ✅ Mesuré |
| MTEB: RTEB French | 44,4 % | 59ᵉ / 216 | mteb | ✅ Mesuré |
| MTEB: RTEB German | 59,4 % | 39ᵉ / 206 | mteb | ✅ Mesuré |
| MTEB: Korean | 69,1 % | 10ᵉ / 101 | mteb | ✅ Mesuré |
| MTEB: Farsi | 65,3 % | 11ᵉ / 30 | mteb | ✅ Mesuré |
| MTEB: Russian | 63,6 % | 16ᵉ / 103 | mteb | ✅ Mesuré |
Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
MTEB: BEIR
Notre analyse
Forces. jinaai/jina-embeddings-v3 se distingue surtout sur des tâches multilingues, avec des résultats particulièrement compétitifs en coréen et en allemand dans MTEB. Les tracks évalués couvrent la classification, le retrieval, le reranking, le clustering, le bitext mining et la similarité de paires, ce qui indique un usage polyvalent pour indexer des corpus hétérogènes. La fenêtre de 8 194 tokens facilite l’encodage de passages longs ou de documents structurés sans découpage trop agressif. La licence CC-BY-NC 4.0 permet des usages non commerciaux avec attribution, notamment dans des environnements de recherche ou de prototypage.
Limites et points d'attention. Sorti en septembre 2024, ce modèle appartient à une génération déjà ancienne à l’échelle de l’IA et doit être comparé aux embeddings plus récents de sa période ou postérieurs. Les résultats sont moins dominants sur le farsi et le médical, où il se situe davantage dans un niveau intermédiaire que parmi les tout premiers. Les vecteurs de 1 024 dimensions alourdissent l’index par rapport à des embeddings plus compacts, avec un impact possible sur le stockage et la latence de recherche. La licence non commerciale limite les déploiements produits à visée commerciale. Usages pertinents : recherche sémantique multilingue, RAG documentaire, clustering de textes et prototypes non commerciaux nécessitant un contexte relativement long.
Sources des données : MTEB — Massive Text Embedding Benchmark.