Beobachtetes Signal · 24. Feb. 2026 · Technical Release · Quelle: https://martechseries.com/feed/ · Relevanz: 3/5 · Sentiment: Positiv
Elastic veröffentlicht Jina v5 Embedding-Modelle für Elasticsearch
Elastic hat die Verfügbarkeit von jina-embeddings-v5-text angekündigt, einer Familie aus zwei kompakten, Elasticsearch-nativen multilingualen Embedding-Modellen mit 239 Millionen und 677 Millionen Parametern für hochperformante semantische Suche. Laut Elastic übertreffen diese Modelle deutlich größere Varianten mit 7B bis 14B Parametern bei zentralen Such- und semantischen Aufgaben und erzielen Bestwerte im MMTEB-Benchmark. Der geringe Ressourcenbedarf zielt darauf ab, Infrastrukturkosten zu senken, Abfragen zu beschleunigen, Hybrid Search zu ermöglichen und den Einsatz in speicher- oder rechenschwachen Umgebungen zu erleichtern. Die Modelle sind als Open Weights auf HuggingFace für das Self-Hosted Inference über vLLM, llama.cpp oder MLX sowie über den Elastic Inference Service verfügbar, einen GPU-beschleunigten Inference-as-a-Service, der nahtlos in den Elastic-Stack integriert ist.
Die Elasticsearch-nativen Embeddings und die Bereitstellung über den EIS reduzieren die Infrastrukturkosten und erweitern die Einsatzmöglichkeiten für hochperformante semantische Suche und RAG-Workflows, was die Einführung von Such- und KI-Infrastrukturen in Unternehmen maßgeblich beeinflusst.
Marktsignale zu Elastic in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Elastic kündigte jina-embeddings-v5-text an, eine Familie multilungualer Embedding-Modelle.
- Die Familie umfasst zwei Modelle: jina-embeddings-v5-text-small (239M Parameter) und jina-embeddings-v5-text-nano (677M Parameter).
- Elastic gibt an, dass diese Modelle deutlich größere 7B–14B-Modelle übertreffen und comparable Modelle im MMTEB-Benchmark anführen.
- Die Modelle sind als Open Weights auf HuggingFace (nutzbar via vLLM, llama.cpp, MLX) sowie über den Elastic Inference Service (EIS) verfügbar.
- Die Modelle sind für Retrieval, Text-Matching, Klassifizierung und Clustering optimiert und Elasticsearch-nativ für hybride Vektorsuche.
Verknüpfte Unternehmen
4 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Elastic lanciert Jina v5 Omni Multimodal Embeddings für Suche
Elastic hat mit jina-embeddings-v5-omni eine neue Familie multimodaler Embedding-Modelle vorgestellt, die Text, Bilder, Video und Audio in Vektoren abbilden. Die in den Größen Small und Nano verfügbare Omni-Familie nutzt denselben Text-Embedding-Raum wie jina-embeddings-v5-text. Dadurch können Unternehmen bestehende v5-Textindizes weiterverwenden und Multimedia-Inhalte ohne aufwendige Re-Indizierung einbinden. Die Modelle basieren auf einem universellen Sprachmodell zur Modalitätsausrichtung, bieten ein modulares Design zum Zuschalten von Modalitäten, variable Embedding-Grössen sowie Quantisierungs-Optimierungen zur Reduzierung von Speicher- und Rechenbedarf. Laut unabhängigen Benchmarks erzielt die Lösung Spitzenwerte in den Bereichen Audio (MAEB), Bild (MIEB, ViDoRe), Text (MMTEB) und Video (MMEB-v2). Die Veröffentlichung erfolgte am 11. Mai 2026.
Elastic bringt Jina Multimodal-Suche in On-Premises- und Air-Gapped-Umgebungen
Elastic hat bekannt gegeben, dass Jina AI-Modelle ab sofort für On-Premises- und Air-Gapped-Implementierungen via Jina On-Prem verfügbar sind. Das Angebot bündelt 28 Jina AI-Modelle für Text, Bilder, Audio und Video in einem einzigen Embedding Space, der vollständig in Kundenumgebungen ohne ausgehende Netzwerkaufrufe, Telemetrie oder Lizenzserver läuft. Jina On-Prem unterstützt CPU- und GPU-Hardware mit automatischer GPU-Erkennung, kann kleinere Modelle auf einer einzelnen 8GB-GPU ausführen und dient als nahtloser Ersatz für Modelle, die über den Elastic Inference Service (EIS) in isolierten Elastic-Umgebungen bereitgestellt werden.
Google DeepMind veröffentlicht multimodale Open-Weight-Modelle der Gemma-4-Familie
Google DeepMind hat Gemma 4 vorgestellt, eine neue Familie von Open-Weight-Modellen unter einer Apache-2.0-Lizenz mit nativer Unterstützung für Text, Vision und Audio. Das Line-up umfasst ein 31B-Dense-Modell, eine 26B-MoE-Variante sowie zwei Edge-fokussierte Modelle (E4B, E2B). Die großen Modelle unterstützen Kontextfenster von bis zu 256K Token und wurden für Agenten-Workflows sowie lokale Deployments optimiert. Erste Benchmarks zeigen eine starke Performance bei Reasoning und Token-Effizienz. Zudem gab es einen Day-0-Support in gängigen Serving-Stacks wie llama.cpp, Ollama, vLLM und LM Studio. Die Veröffentlichung markiert einen signifikanten Fortschritt für On-Device-Agents und Open-Agent-Architekturen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.