Kontaktieren Sie unseren Vertrieb

Ja. Jina wandelt sich zu einer Modellmarke. Man kann es sich wie Qwen zu Alibaba, GPT zu OpenAI oder Kimi zu Moonshot vorstellen. Wir werden die rechtliche Identität des Unternehmens schrittweise von „Jina AI“ in Elastic ändern, sodass sich Jina AI als Marke ausschließlich auf Suchgrundlagenmodelle konzentrieren kann.

Einbettungen, Reranker und kleine Sprachmodelle für eine bessere Suche. Unsere Mission ist noch nicht abgeschlossen – wir haben unser Ziel nie verheimlicht: ein führender Anbieter von Suchmodellen zu werden.

Ja. Die Reader-API, die Embedding-API und die Reranker-API werden weiterhin entwickelt und gepflegt. Jedes neue Modell stellen wir auch auf Cloud-Marktplätzen zur Verfügung. Sie können unsere API-Dienste wie gewohnt nutzen. Einzige Ausnahme: Wir können keine Unternehmen oder Länder bedienen, die den US-Exportkontrollen unterliegen.

Ja. Bei Elastic wird Jina weiterhin die Grenzen der Suchgrundlagenmodelle erweitern, und wir werden auch weiterhin Modelle mit offenen Gewichtungen veröffentlichen.

Wir werden weiterhin unter der CC-BY-NC 4.0-Lizenz veröffentlichen, sofern sich die Umstände nicht ändern, was unwahrscheinlich ist.

Ja. Jedes von uns veröffentlichte Modell wird durch eine fundierte wissenschaftliche Arbeit untermauert, und wir werden auch weiterhin bei Top-Konferenzen wie ICLR, EMNLP, SIGIR, NeurIPS und ICML einreichen.

Melden Sie sich einfach an und bezahlen Sie wie bisher über unsere Website oder den entsprechenden Cloud-Marktplatz.

Unsere Produkte sind derzeit nicht Teil der Elastic-SKUs, daher müssen Sie für den Zugriff auf diese Dienste weiterhin über unsere Website bezahlen. In Kürze werden Jina-Modelle über den Elastic Inference Service verfügbar sein.

Bitte wenden Sie sich an Ihren Elastic-Vertriebsmitarbeiter oder Field SE – diese werden sich mit uns in Verbindung setzen, um zu bestätigen, ob die kommerzielle Nutzung vor Ort durch Ihre Elastic-Lizenz abgedeckt ist.

Da wir uns aktuell in der Integration mit Elastic befinden, wird der weitere Weg bald klarer werden. Derzeit können wir noch keine eigenständigen kommerziellen Lizenzverträge für unsere Modelle ausstellen.

Da wir keine chinesische Niederlassung haben, können wir keine chinesischen Rechnungen ausstellen. Rechnungen werden von der Jina AI GmbH, unserem Hauptsitz in Deutschland, ausgestellt.

Vertragsbasierte Vereinbarungen spielten im Geschäftsmodell von Jina AI schon immer eine untergeordnete Rolle – die meisten unserer Kunden nutzen Self-Service mit nutzungsbasierter Abrechnung. Während wir die Integration mit Elastic vorantreiben, stellen wir derzeit keine neuen Verträge aus.

Wenden Sie sich an Ihren Elastic-Vertriebsmitarbeiter, und wir können ein Treffen zwischen Ihnen, dem Jina AI-Team und Elastic vereinbaren, um dies zu besprechen.

Die Reader-API ist für die grundlegende Nutzung kostenlos – fügen Sie einfach „https://r.jina.ai/“ vor Ihre URL ein. Für höhere Ratenbegrenzungen können Sie einen API-Schlüssel angeben, der Token basierend auf der Inhaltslänge berechnet. Details zu den Ratenbegrenzungen finden Sie in Frage 16.

Die Reader-API verwendet einen Proxy, um jede beliebige URL abzurufen und ihren Inhalt in einem Browser darzustellen, um hochwertigen Hauptinhalt zu extrahieren.

Der Code der Reader-API ist im GitHub-Repository von Jina AI verfügbar. Bitte beachten Sie, dass das ReaderLM-v2-Modell unter der CC-BY-NC 4.0-Lizenz für nichtkommerzielle Zwecke lizenziert ist und keine Open-Source-Lizenz darstellt.

Die Reader-API verarbeitet URLs im Allgemeinen innerhalb von 2 Sekunden und gibt Inhalte zurück. Komplexe oder dynamische Seiten können jedoch mehr Zeit benötigen.

Scraping kann kompliziert und unzuverlässig sein, insbesondere bei komplexen oder dynamischen Seiten. Die Reader-API bietet eine optimierte, zuverlässige Ausgabe von sauberem, LLM-fähigem Text.

Die Reader-API gibt Inhalte in der Originalsprache der URL zurück. Sie bietet keine Übersetzungsdienste an.

Ja. Reader funktioniert wie ein herkömmlicher Webclient und respektiert die Zugriffskontrollen von Websites. Wenn eine Website die Anfrage blockiert, wird diese Entscheidung respektiert. Sie sind dafür verantwortlich, dass Ihre Nutzung von Reader den Nutzungsbedingungen der von Ihnen besuchten Websites entspricht und keine Rechte Dritter an geistigem Eigentum verletzt.

Obwohl die Reader-API in erster Linie für Webseiten entwickelt wurde, kann sie auch Inhalte aus PDF-Dateien extrahieren, die auf Websites wie arXiv im HTML-Format angezeigt werden. Sie ist jedoch nicht für die allgemeine PDF-Extraktion optimiert.

Ja, Reader kann Bilder auf Webseiten mithilfe des x-with-generated-alt-Headers mit einer Bildunterschrift versehen. Dadurch werden beschreibende Alt-Tags zu Bildern hinzugefügt, denen diese fehlen, sodass Sprachlernende die visuellen Inhalte besser verstehen können. Die Videozusammenfassung ist für zukünftige Versionen geplant.

Nein, die Reader-API kann nur Inhalte von öffentlich zugänglichen URLs verarbeiten.

Wenn Sie innerhalb von 5 Minuten dieselbe URL anfordern, gibt die Reader-API den zwischengespeicherten Inhalt zurück.

Leider nicht.

Ja, Sie können entweder die native PDF-Unterstützung des Readers (https://r.jina.ai/https://arxiv.org/pdf/2310.19923v4) oder die HTML-Version von arXiv (https://r.jina.ai/https://arxiv.org/html/2310.19923v4) verwenden.

Der Reader betitelt alle Bilder unter der angegebenen URL und fügt `Image [idx]: [caption]` als Alt-Tag hinzu (falls ursprünglich keiner vorhanden ist). Dies ermöglicht nachgelagerten LLMs, beim Denken, Zusammenfassen usw. mit den Bildern zu interagieren.

Die Reader-API ist auf hohe Skalierbarkeit ausgelegt. Sie wird automatisch auf Basis des Echtzeitverkehrs skaliert und die maximale Anzahl gleichzeitiger Anfragen liegt derzeit bei etwa 4000. Wir pflegen sie aktiv als eines der Kernprodukte von Jina AI. Sie können sie also gerne in der Produktion verwenden.

Die neuesten Informationen zur Ratenbegrenzung finden Sie in der folgenden Tabelle. Beachten Sie, dass wir aktiv an der Verbesserung der Ratenbegrenzung und der Leistung der Reader-API arbeiten. Die Tabelle wird entsprechend aktualisiert.

ReaderLM-v2 ist unser neuestes kleines Sprachmodell (SLM) zur Konvertierung von HTML-Rohdaten in sauberes Markdown oder JSON. Es bietet eine dreifach höhere Qualität als v1 und kann strukturierte Daten mithilfe von JSON-Schema oder Anweisungen in natürlicher Sprache extrahieren. Sie können es direkt über die Reader-API mit dem Header x-respond-with: readerlm-v2 verwenden oder es über Cloud-Marktplätze (AWS, Azure, GCP) bereitstellen.

Verwenden Sie den Header `x-json-schema` mit einer JSON-Schema-Definition oder den Header `x-instruction` mit Anweisungen in natürlicher Sprache. Beide Funktionen ermöglichen in Verbindung mit ReaderLM-v2 das Extrahieren bestimmter Felder wie Preise, Titel, Datum usw. von beliebigen Webseiten in ein strukturiertes JSON-Format.

Nein. Reader umgeht oder unterläuft keine Website-Sicherheitsmechanismen, Anti-Bot-Systeme oder Zugriffskontrollen. Wenn eine Website unseren Dienst als Bot erkennt und die Anfrage blockiert, respektieren wir diese Entscheidung. Wir verhalten uns wie ein Standard-Webclient und verwenden keine Techniken, die Erkennungssysteme umgehen sollen. Sie sind weiterhin dafür verantwortlich, dass Ihre Nutzung von Reader die Rechte am geistigen Eigentum Dritter und die Nutzungsbedingungen der von Ihnen besuchten Websites respektiert.

Nein. Ein Upgrade von einem kostenlosen Tarif auf einen kostenpflichtigen API-Schlüssel gewährt keinen Zugriff auf zusätzliche Websites und umgeht keine Website-Beschränkungen. Der Unterschied zwischen den Tarifen liegt hauptsächlich in den Ratenbegrenzungen und Leistungsoptimierungen. Ein kostenpflichtiger API-Schlüssel ermöglicht einen höheren Durchsatz und eine schnellere Verarbeitung, jedoch keinen Zugriff auf Websites, die unseren Dienst blockieren.

Detaillierte Informationen zu unseren Trainingsprozessen, Datenquellen und Evaluierungen finden Sie in unseren technischen Berichten auf arXiv für jina-embeddings-v3 und jina-embeddings-v4.

jina-embeddings-v4 ist unser neuestes universelles multimodales Modell (3,8 Mrd. Parameter), das Text und Bilder mit 32K Kontext, dichtes Retrieval und Late-Interaction-Retrieval sowie SOTA-Leistung bei visuell reichhaltigen Dokumenten unterstützt. jina-clip-v2 ist eine schlankere Option (865 Mio. Parameter), die 89 Sprachen mit einer Bildauflösung von 512x512 und Matryoshka-Darstellungen unterstützt. Beide eignen sich hervorragend für Text-Text-, Text-Bild- und Bild-Bild-Retrieval-Aufgaben.

Sowohl jina-embeddings-v4 als auch jina-embeddings-v3 unterstützen 89 Sprachen und bieten eine hohe Leistungsfähigkeit im mehrsprachigen Bereich. Zu den 30 wichtigsten Sprachen gehören: Arabisch, Bengali, Chinesisch, Dänisch, Niederländisch, Englisch, Finnisch, Französisch, Georgisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Lettisch, Norwegisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Slowakisch, Spanisch, Schwedisch, Thailändisch, Türkisch, Ukrainisch, Urdu und Vietnamesisch. jina-clip-v2 unterstützt ebenfalls 89 Sprachen für multimodale Aufgaben.

Die Kontextlänge variiert je nach Modell: jina-embeddings-v4 unterstützt bis zu 32K Token, während jina-embeddings-v3 und jina-clip-v2 bis zu 8192 Token unterstützen. Ein Token kann von einem einzelnen Zeichen bis zu einem ganzen Wort reichen. Dieser erweiterte Kontext ermöglicht eine umfassende Dokumentenanalyse und ein präziseres Kontextverständnis für umfangreiche Textdaten.

Es gibt keine feste Begrenzung für die Anzahl der Elemente pro Anfrage. Die API verarbeitet Eingaben intern anhand der Tokenanzahl, um die GPU optimal auszulasten. Sie können beliebig viele Texte oder Bilder in einer einzigen Anfrage senden.

Für jina-embeddings-v4, jina-clip-v2 und jina-clip-v1 können Sie im Feld input der API-Anfrage entweder url oder bytes verwenden. Geben Sie bei url die URL des zu verarbeitenden Bildes an. Kodieren Sie bei bytes das Bild im base64-Format. jina-embeddings-v4 kann außerdem PDF-Dokumente direkt einbetten, indem Sie eine PDF-URL oder base64-kodierte PDF-Bytes übergeben.

jina-embeddings-v4 ist unser neuestes Flaggschiffmodell und erzielt Bestleistungen bei der Suche nach visuell reichhaltigen Dokumenten (ViDoRe) und multimodalen Benchmarks. Bei rein textbasierten Aufgaben übertrifft jina-embeddings-v3 OpenAI und Cohere bei MTEB-Benchmarks für Englisch und Mehrsprachigkeit und ist dabei kleiner und effizienter. Beide Modelle unterstützen Matryoshka Representation Learning (MRL), wodurch eine Dimensionsreduktion (bis zu 32 bei v3, bis zu 128 bei v4) ohne signifikanten Leistungsverlust möglich ist.

Der Übergang ist optimiert, da unser API-Endpunkt mit den Eingabe- und Ausgabe-JSON-Schemata des text-embedding-3-large-Modells von OpenAI übereinstimmt. Diese Kompatibilität stellt sicher, dass Benutzer das OpenAI-Modell problemlos durch unseres ersetzen können, wenn sie den OpenAI-Endpunkt verwenden.

Token werden basierend auf Textlänge und Bildgröße berechnet. Für Text in der Anfrage werden Token standardmäßig gezählt. Für Bilder werden die folgenden Schritte ausgeführt: 1. Kachelgröße: Jedes Bild wird in Kacheln unterteilt. Bei jina-embeddings-v4 sind die Kacheln 28 x 28 Pixel groß, bei jina-clip-v2 512 x 512 Pixel und bei jina-clip-v1 224 x 224 Pixel. 2. Abdeckung: Die Anzahl der Kacheln, die zur Abdeckung des Eingabebildes benötigt werden, wird berechnet. Auch wenn die Bildabmessungen nicht perfekt durch die Kachelgröße teilbar sind, werden Teilkacheln als vollständige Kacheln gezählt. 3. Gesamtzahl der Kacheln: Die Gesamtzahl der Kacheln, die das Bild abdecken, bestimmt die Kosten. Beispielsweise würde ein 600 x 600 Pixel großes Bild in jina-embeddings-v4 mit 22 x 22 Kacheln (484 Kacheln), in jina-clip-v2 mit 2 x 2 Kacheln (4 Kacheln) und in jina-clip-v1 mit 3 x 3 Kacheln (9 Kacheln) abgedeckt. 4. Kostenberechnung: Bei jina-embeddings-v4 kostet jede Kachel 10 Token, bei jina-clip-v2 4000 Token und bei jina-clip-v1 1000 Token. Beispiel: Für ein Bild mit den Abmessungen 600 x 600 Pixel: • Mit jina-embeddings-v4 • Das Bild wird in 28 x 28 Pixel große Kacheln unterteilt. • Die Gesamtzahl der benötigten Kacheln beträgt 22 (horizontal) x 22 (vertikal) = 484 Kacheln. • Die Kosten für jina-embeddings-v4 betragen 484 x 10 = 4840 Token. • Mit jina-clip-v2 • Das Bild wird in 512 x 512 Pixel große Kacheln unterteilt. • Die Gesamtzahl der benötigten Kacheln beträgt 2 (horizontal) x 2 (vertikal) = 4 Kacheln. • Die Kosten für jina-clip-v2 betragen 4 x 4000 = 16000 Token. • Mit jina-clip-v1 • Das Bild wird in 224 x 224 Pixel große Kacheln unterteilt. • Die Gesamtzahl der benötigten Kacheln beträgt 3 (horizontal) x 3 (vertikal) = 9 Kacheln. • Die Kosten für jina-clip-v1 betragen 9*1000 = 9000 Token.

Ja, jina-embeddings-v4, jina-clip-v2 und jina-clip-v1 können sowohl Bilder als auch Texte einbetten. Embedding-Modelle für weitere Modalitäten werden in Kürze angekündigt!

Bei Fragen zur Feinabstimmung unserer Modelle mit spezifischen Daten kontaktieren Sie uns bitte, um Ihre Anforderungen zu besprechen. Wir sind offen dafür, herauszufinden, wie unsere Modelle an Ihre Bedürfnisse angepasst werden können.

Ja, unsere Dienste sind auf den Marktplätzen AWS, Azure und GCP verfügbar. Wenn Sie spezielle Anforderungen haben, kontaktieren Sie uns bitte unter sales AT jina.ai.

Der Parameter task in jina-embeddings-v3 und jina-embeddings-v4 aktiviert aufgabenspezifische LoRA-Adapter für optimale Leistung. Verwenden Sie retrieval.query für Suchanfragen, retrieval.passage für zu durchsuchende Dokumente, text-matching für semantische Ähnlichkeit, classification für Textklassifizierung und separation für Clustering-Aufgaben.

jina-embeddings-v4 unterstützt sowohl die dichte (Einzelvektor-) als auch die späte Interaktionsabfrage (Mehrvektor-) über den Parameter output_type. Die späte Interaktionsabfrage erhält detailliertere Token-Informationen und ermöglicht so eine höhere Genauigkeit bei komplexen Anfragen. jina-colbert-v2 ist ein spezielles Modell für die späte Interaktionsabfrage.

Late Chunking ist eine Technik, die zunächst das gesamte Dokument mithilfe von Long-Context-Modellen einbettet und anschließend Chunk-Embeddings aus den Token-Level-Repräsentationen extrahiert. Im Gegensatz zum naiven Chunking (erst Chunking, dann Einbetten) erhält Late Chunking den Kontext zwischen den Chunks und verbessert so das Retrieval in RAG-Anwendungen. Aktivieren Sie es über den Parameter late_chunking in jina-embeddings-v3.

Obwohl einige unserer Einbettungsmodelle architektonisch in der Lage sind, längere Kontextlängen zu verarbeiten, kann die API aufgrund von GPU-VRAM-Beschränkungen in unserer Inferenzinfrastruktur niedrigere Grenzwerte erzwingen. Die Verarbeitung sehr langer Sequenzen erfordert erheblichen Speicherbedarf. Wir optimieren unsere Serverkonfiguration, um Durchsatz, Latenz und Kosten für die meisten Anwendungsfälle optimal auszubalancieren. Falls Sie Unterstützung für erweiterte Kontextlängen benötigen, kontaktieren Sie bitte unser Vertriebsteam, um dedizierte Bereitstellungsoptionen zu besprechen.

jina-embeddings-v4 basiert auf dem Qwen2-VL-Basismodell, das unter der Qwen-Forschungslizenz veröffentlicht ist. Diese Lizenz erlaubt ausschließlich Forschungszwecke und nichtkommerzielle Nutzung. Daher können wir jina-embeddings-v4 nicht als kommerzielles Produkt anbieten. Aus diesem Grund stellen wir das Modell kostenlos über unsere API zur Verfügung. jina-embeddings-v4 kann aus zwei Gründen langsamer erscheinen als andere Modelle: Erstens ist jina-embeddings-v4 ein deutlich größeres Modell als jina-embeddings-v3 und benötigt daher mehr Rechenzeit pro Anfrage. Zweitens drosseln wir den API-Durchsatz bewusst, um die Infrastrukturkosten zu kontrollieren, da wir dieses Modell nicht kommerzialisieren können. Nutzer sollten daher bei der Verwendung der jina-embeddings-v4-API keinen hohen Durchsatz oder Produktionsniveau erwarten. Für Produktionsworkloads, die einen höheren Durchsatz erfordern, empfehlen wir die Verwendung von jina-embeddings-v3 oder die Bereitstellung von jina-embeddings-v4 auf Ihrer eigenen Infrastruktur über Hugging Face.

Die Ratenbegrenzungen hängen von Ihrem API-Schlüsseltyp ab:

Kostenlos: 100 RPM, 100.000 TPM, 2 gleichzeitige Anfragen
Kostenpflichtig: 500 RPM, 2 Mio. TPM, 50 gleichzeitige Anfragen
Premium: 5.000 RPM, 50 Mio. TPM, 500 gleichzeitige Anfragen

Zusätzlich gilt eine IP-basierte Ratenbegrenzung von 10.000 Anfragen pro 60 Sekunden, um Missbrauch zu verhindern. Falls Sie höhere Limits benötigen, kontaktieren Sie bitte unser Vertriebsteam.

Jedes Modell hat eine maximale Kontextlänge pro Eingabe:

jina-embeddings-v4: 32.768 Tokens
jina-embeddings-v3: 8.192 Tokens
jina-embeddings-v2-*: 8.192 Tokens
jina-clip-v1/v2: 8.192 Tokens
jina-colbert-v1/v2: 8.192 Tokens
jina-code-embeddings-*: 32.768 Tokens

Eingaben, die das Limit überschreiten, führen zu einem Fehler, es sei denn, truncate: true ist gesetzt. Dadurch wird die Eingabe automatisch auf die maximale Länge gekürzt.

Die maximalen Dateigrößen sind: Bilder: 5 MB, PDFs: 8 MB. Größere Dateien werden mit einer Fehlermeldung abgelehnt.

Die Preise für die Reranker-API orientieren sich an unserer Preisstruktur für die Embedding-API. Sie beginnen mit 10 Millionen kostenlosen Token für jeden neuen API-Schlüssel. Darüber hinaus sind verschiedene Pakete käuflich erhältlich. Weitere Informationen finden Sie in unserem Preisbereich.

jina-reranker-v3 ist unser neuestes Flaggschiff unter den Rerankern. Dank einer neuartigen listenweisen Architektur erreicht es Bestleistungen bei der mehrsprachigen Suche mit einer Kontextlänge von 131.000. jina-reranker-m0 ist unser multimodaler Reranker für das Ranking visueller Dokumente in verschiedenen Sprachen. jina-reranker-v2-base-multilingual ist ein Cross-Encoder, der über 100 Sprachen mit Funktionsaufrufen und Code-Abfrage unterstützt. jina-colbert-v2 nutzt späte Interaktion für 89 Sprachen mit benutzerdefinierten Einbettungsgrößen.

Alle unsere Reranker (jina-reranker-v3, jina-reranker-m0, jina-reranker-v2-base-multilingual und jina-colbert-v2) sind unter der CC-BY-NC 4.0-Lizenz veröffentlicht. Sie dürfen die Modelle für nichtkommerzielle Zwecke frei verwenden, weitergeben und anpassen. Für die kommerzielle Nutzung kontaktieren Sie uns bitte.

Ja, alle unsere Reranker unterstützen mehrsprachige Suche. jina-reranker-v3 und jina-reranker-v2-base-multilingual unterstützen über 100 Sprachen. jina-reranker-m0 unterstützt mehrsprachiges visuelles Dokumentenranking. jina-colbert-v2 unterstützt 89 Sprachen.

Die Kontextlänge variiert je nach Modell:

jina-reranker-v3: 131.072 Tokens (Anfrage + alle Dokumente kombiniert) mit automatischer Kürzung
jina-reranker-m0: 10.000 Tokens
jina-reranker-v2-base-multilingual: 1.024 Tokens mit automatischer Segmentierung für längere Dokumente
jina-reranker-v1-*: 1.024 Tokens mit automatischer Segmentierung
jina-colbert-v2: 8.192 Tokens

Bei den v1/v2-Rerankern werden Anfragen automatisch gekürzt und lange Dokumente mittels Max-Pooling über die Segmente hinweg segmentiert.

Es gibt keine feste Begrenzung für die Anzahl der Dokumente pro Anfrage. Wie unsere Embeddings-API verarbeitet auch die Reranker-API Eingaben intern anhand der Tokenanzahl, um die GPU optimal auszulasten. Sie können beliebig viele Dokumente in einer einzigen Anfrage senden.

Die Latenz variiert zwischen 100 Millisekunden und 7 Sekunden und hängt weitgehend von der Länge der Dokumente und der Abfrage ab. Beispielsweise dauert das Neuranking von 100 Dokumenten mit jeweils 256 Token bei einer 64-Token-Abfrage etwa 150 Millisekunden. Durch Erhöhen der Dokumentlänge auf 4096 Token erhöht sich die Zeit auf 3,5 Sekunden. Wenn die Abfragelänge auf 512 Token erhöht wird, erhöht sich die Zeit weiter auf 7 Sekunden.

Ja, unsere Dienste sind auf den Marktplätzen AWS, Azure und GCP verfügbar. Wenn Sie spezielle Anforderungen haben, kontaktieren Sie uns bitte unter sales AT jina.ai.

Wenn Sie an einem fein abgestimmten Reranker interessiert sind, der auf bestimmte Domaindaten zugeschnitten ist, wenden Sie sich bitte an unser Vertriebsteam. Unser Team wird Ihre Anfrage zeitnah beantworten.

Die minimal akzeptable Bildgröße für das Modell jina-reranker-m0 beträgt 28 x 28 Pixel.

jina-reranker-v3 verwendet eine neuartige listenweise Architektur, die alle Dokumente in einem einzigen Vorwärtsdurchlauf gemeinsam bewertet und so einen dokumentenübergreifenden Vergleich ermöglicht. Herkömmliche punktweise Reranker (wie v2) bewerten jedes Dokument unabhängig anhand der Suchanfrage. Listenweises Reranking erzielt eine höhere Genauigkeit, indem es die relative Relevanz über den gesamten Kandidatensatz hinweg berücksichtigt.

Obwohl einige unserer Reranker-Modelle architektonisch in der Lage sind, längere Kontextlängen zu verarbeiten, kann die API aufgrund von GPU-VRAM-Beschränkungen in unserer Inferenzinfrastruktur niedrigere Grenzwerte festlegen. Die Verarbeitung sehr langer Sequenzen erfordert erheblichen Speicherbedarf. Wir optimieren unsere Serverkonfiguration, um Durchsatz, Latenz und Kosten für die meisten Anwendungsfälle optimal auszubalancieren. Falls Sie Unterstützung für erweiterte Kontextlängen benötigen, kontaktieren Sie bitte unser Vertriebsteam, um dedizierte Bereitstellungsoptionen zu besprechen.

Die Ratenbegrenzungen hängen von Ihrem API-Schlüsseltyp ab:

Kostenlos: 100 RPM, 100.000 TPM, 2 gleichzeitige Anfragen
Kostenpflichtig: 500 RPM, 2 Mio. TPM, 50 gleichzeitige Anfragen
Premium: 5.000 RPM, 50 Mio. TPM, 500 gleichzeitige Anfragen

Zusätzlich gilt eine IP-basierte Ratenbegrenzung von 10.000 Anfragen pro 60 Sekunden. Dieselben Ratenbegrenzungen gelten sowohl für die Embeddings- als auch für die Reranker-API.

Ja, derselbe API-Schlüssel ist für alle Search-Foundation-Produkte von Jina AI gültig. Dazu gehören die Reader-, Embedding-, Reranking-, Classifier- und Fine-Tuning-APIs, wobei die Token von allen Diensten gemeinsam genutzt werden.

Ja, die Token-Nutzung kann auf der Registerkarte „API-Schlüssel und Abrechnung“ überwacht werden, indem Sie Ihren API-Schlüssel eingeben. So können Sie den aktuellen Nutzungsverlauf und die verbleibenden Token anzeigen. Wenn Sie sich beim API-Dashboard angemeldet haben, können diese Details auch auf der Registerkarte „API-Schlüssel verwalten“ angezeigt werden.

Wenn Sie einen aufgeladenen Schlüssel verlegt haben und ihn abrufen möchten, wenden Sie sich bitte mit Ihrer registrierten E-Mail-Adresse an support AT jina.ai. Es wird empfohlen, sich anzumelden, damit Ihr API-Schlüssel sicher gespeichert und leicht zugänglich bleibt.

Nein, unsere API-Schlüssel haben kein Ablaufdatum. Wenn Sie jedoch vermuten, dass Ihr Schlüssel kompromittiert wurde und Sie ihn löschen möchten, wenden Sie sich bitte an unser Supportteam. Sie können Ihren Schlüssel auch im API-Schlüsselverwaltungs-Dashboard widerrufen.

Ja, Sie können Token von einem Premium-Schlüssel auf einen anderen übertragen. Nachdem Sie sich auf dem API-Schlüsselverwaltungs-Dashboard bei Ihrem Konto angemeldet haben, verwenden Sie die Einstellungen des Schlüssels, den Sie übertragen möchten, um alle verbleibenden bezahlten Token zu übertragen.

Ja, Sie können Ihren API-Schlüssel widerrufen, wenn Sie glauben, dass er kompromittiert wurde. Durch das Widerrufen eines Schlüssels wird dieser sofort für alle Benutzer deaktiviert, die ihn gespeichert haben, und alle verbleibenden Guthaben und zugehörigen Eigenschaften werden dauerhaft unbrauchbar. Wenn es sich bei dem Schlüssel um einen Premium-Schlüssel handelt, haben Sie die Möglichkeit, das verbleibende bezahlte Guthaben vor dem Widerruf auf einen anderen Schlüssel zu übertragen. Beachten Sie, dass diese Aktion nicht rückgängig gemacht werden kann. Um einen Schlüssel zu widerrufen, gehen Sie zu den Schlüsseleinstellungen im Dashboard zur API-Schlüsselverwaltung.

Dies liegt daran, dass unsere serverlose Architektur bestimmte Modelle in Zeiten geringer Nutzung auslagert. Die erste Anfrage aktiviert oder „wärmt“ das Modell auf, was einige Sekunden dauern kann. Nach dieser ersten Aktivierung werden nachfolgende Anfragen viel schneller verarbeitet.

Nein. Wir verwenden Ihre API-Anfragen, Eingaben oder Ausgaben niemals, um unsere Embedding-, Reranker- oder andere Modelle zu trainieren. Ihre Daten bleiben Ihre Daten.

Es gelten Ratenbegrenzungen pro API-Schlüssel:

Kostenlos: 100 RPM, 100.000 TPM, 2 gleichzeitige Anfragen
Kostenpflichtig: 500 RPM, 2 Mio. TPM, 50 gleichzeitige Anfragen
Premium: 5.000 RPM, 50 Mio. TPM, 500 gleichzeitige Anfragen

Zusätzlich gilt eine IP-basierte Ratenbegrenzung von 10.000 Anfragen pro 60 Sekunden. Diese Beschränkungen gelten für alle Jina-APIs (Embeddings, Reranker, Reader usw.).

Es gibt keine Beschränkung der Batchgröße für die Embeddings- und Reranker-APIs. Sie können beliebig viele Elemente oder Dokumente pro Anfrage senden. Beide APIs verarbeiten die Eingaben intern anhand der Tokenanzahl, um die GPU optimal auszulasten.

Unser Preismodell basiert auf der Gesamtzahl der verarbeiteten Token und bietet Benutzern die Flexibilität, diese Token auf eine beliebige Anzahl von Sätzen zu verteilen. Dies bietet eine kostengünstige Lösung für unterschiedliche Textanalyseanforderungen.

Wir bieten neuen Nutzern eine kostenlose Testversion mit zehn Millionen Token zur Nutzung unserer Modelle an. Der automatisch generierte API-Schlüssel ermöglicht die Nutzung. Sobald das Limit der kostenlosen Token erreicht ist, können Nutzer über den Reiter „Token kaufen“ ganz einfach zusätzliche Token für ihre API-Schlüssel erwerben.

Nein, für fehlgeschlagene Anfragen werden keine Token abgezogen.

Zahlungen werden über Stripe abgewickelt und unterstützen zu Ihrer Bequemlichkeit eine Vielzahl von Zahlungsmethoden, darunter Kreditkarten, Google Pay und PayPal.

Ja, beim Kauf von Tokens wird eine Rechnung an die E-Mail-Adresse ausgestellt, die mit Ihrem Stripe-Konto verknüpft ist.

DeepSearch ist eine LLM-API, die iterative Such-, Lese- und Argumentationsvorgänge durchführt, bis sie eine genaue Antwort auf eine Abfrage findet oder ihr Token-Budgetlimit erreicht.

Im Gegensatz zu OpenAI und Gemini konzentriert sich DeepSearch speziell darauf, durch Iteration genaue Antworten zu liefern, anstatt lange Artikel zu erstellen. Es ist für schnelle, präzise Antworten aus der Deep Web-Suche optimiert, anstatt umfassende Berichte zu erstellen.

Sie benötigen einen Jina-API-Schlüssel. Wir bieten 10 Millionen kostenlose Token für neue API-Schlüssel.

Es generiert eine endgültige Antwort auf Grundlage des gesamten gesammelten Wissens, anstatt einfach aufzugeben oder eine unvollständige Antwort zurückzugeben.

Nein. Obwohl zur Verbesserung der Genauigkeit ein iterativer Suchvorgang verwendet wird, zeigt die Auswertung, dass bei Prüfungsfragen eine Bestehensquote von 75 % erreicht wird. Das ist zwar deutlich besser als der Basiswert von 0 % (Gemini-2.0-Flash), aber nicht perfekt.

Es gibt erhebliche Unterschiede: Abfragen können zwischen 1 und 42 Schritte umfassen, wobei der Durchschnitt basierend auf Auswertungsdaten 4 Schritte beträgt. Das sind 20 Sekunden. Einfache Abfragen können schnell gelöst werden, während komplexe Forschungsfragen viele Iterationen und bis zu 120 Sekunden umfassen können.

Ja, die offizielle DeepSearch-API unter deepsearch.jina.ai/v1/chat/completions ist vollständig mit dem OpenAI-API-Schema kompatibel und verwendet „jina-deepsearch-v1“ als Modellnamen. Daher ist es ganz einfach, von OpenAI zu DeepSearch zu wechseln und es mit lokalen Clients oder jedem OpenAI-kompatiblen Client zu verwenden. Für ein nahtloses Erlebnis empfehlen wir dringend Chatwise.

Ratenbegrenzungen variieren je nach API-Schlüsselebene und reichen von 10 RPM bis 30 RPM. Dies ist bei Anwendungen mit hohem Abfragevolumen zu berücksichtigen.

DeepSearch verpackt Denkschritte in XML-Tags ... und liefert anschließend die endgültige Antwort, wobei es dem OpenAI-Streaming-Format folgt, jedoch mit diesen speziellen Markierungen für die Gedankenkette.

Ja. Jina Reader wird zum Suchen und Lesen im Internet verwendet und bietet dem System die Möglichkeit, effizient auf Webinhalte zuzugreifen und diese zu verarbeiten.

Ja, die Token-Nutzung von DeepSearch bei komplexen Abfragen ist wohl hoch – im Durchschnitt 70.000 Token im Vergleich zu 500 für einfache LLM-Antworten. Dies zeigt die Tiefe der Recherche, hat aber auch Auswirkungen auf die Kosten.

Das System wird in erster Linie durch das Token-Budget und nicht durch die Schrittzahl gesteuert. Sobald das Token-Budget überschritten ist, wechselt es in den Beast-Modus zur Generierung der endgültigen Antwort. Weitere Einzelheiten finden Sie unter reasoning_effort.

Referenzen werden als so wichtig erachtet, dass das System, wenn eine Antwort als endgültig gilt, aber keine Referenzen enthält, mit der Suche fortfährt, anstatt die Antwort zu akzeptieren.

Ja, aber mit umfangreichen Forschungsschritten. Das Beispiel „Wer wird 2028 Präsident sein?“ zeigt, dass es mit spekulativen Fragen durch mehrere Forschungsiterationen umgehen kann, obwohl die Genauigkeit solcher Vorhersagen nicht garantiert ist.

Zero-Shot erfordert semantische Bezeichnungen während der Klassifizierung und keine während des Trainings, während Few-Shot Bezeichnungen während des Trainings, aber keine Klassifizierung erfordert. Das bedeutet, dass Zero-Shot besser für flexible, unmittelbare Klassifizierungsanforderungen geeignet ist, während Few-Shot besser für feste, domänenspezifische Kategorien geeignet ist, die sich im Laufe der Zeit entwickeln können.

num_iters steuert die Trainingsintensität – höhere Werte verstärken wichtige Beispiele, während niedrigere Werte die Auswirkung weniger zuverlässiger Daten minimieren. Es kann verwendet werden, um zeitbewusstes Lernen zu implementieren, indem aktuellen Beispielen höhere Iterationszahlen zugewiesen werden, was es für sich entwickelnde Datenmuster wertvoll macht.

Öffentliche Klassifikatoren können von jedem mit der classifier_id verwendet werden, wobei das eigene Token-Kontingent verbraucht wird. Benutzer können nicht auf Trainingsdaten oder Konfigurationen zugreifen und die Klassifizierungsanforderungen anderer nicht sehen, wodurch eine sichere gemeinsame Nutzung von Klassifikatoren ermöglicht wird.

Few-Shot erfordert 200-400 Trainingsbeispiele, um die Zero-Shot-Klassifizierung zu übertreffen. Obwohl es letztendlich eine höhere Genauigkeit erreicht, benötigt es diese Aufwärmphase, um wirksam zu werden. Zero-Shot bietet sofort eine konsistente Leistung ohne Trainingsdaten.

Ja – die API unterstützt mehrsprachige Abfragen mit jina-embeddings-v3 und multimodale (Text/Bild-)Klassifizierung mit jina-clip-v2 oder jina-embeddings-v4, wobei URL- oder Base64-kodierte Bilder in derselben Anfrage unterstützt werden.

Zero-Shot unterstützt 256 Klassen ohne Klassifikatorbegrenzung, während Few-Shot auf 16 Klassen und 16 Klassifikatoren beschränkt ist. Beide unterstützen 1.024 Eingaben pro Anfrage und 8.192 Token pro Eingabe.

Der Few-Shot-Modus ermöglicht kontinuierliche Aktualisierungen über den Endpunkt /train zur Anpassung an sich ändernde Datenmuster. Sie können bei Änderungen der Datenverteilung schrittweise neue Beispiele oder Klassen hinzufügen, ohne den gesamten Klassifizierer neu erstellen zu müssen.

Die API verwendet One-Pass-Online-Lernen – Trainingsbeispiele aktualisieren Klassifikatorgewichte, werden aber anschließend nicht gespeichert. Dies bedeutet, dass Sie keine historischen Trainingsdaten abrufen können, gewährleistet jedoch Datenschutz und Ressourceneffizienz.

Beginnen Sie mit Zero-Shot für sofortige Ergebnisse und wenn Sie eine flexible Klassifizierung mit semantischen Labels benötigen. Wechseln Sie zu Few-Shot, wenn Sie 200-400 Beispiele haben, eine höhere Genauigkeit benötigen oder domänenspezifische/zeitkritische Daten verarbeiten müssen.

Ja, Sie können zwischen jina-embeddings-v3 für die Textklassifizierung (besonders gut für mehrsprachige Anwendungen), jina-clip-v2 für die multimodale Klassifizierung (89 Sprachen) oder jina-embeddings-v4 für die universelle multimodale mehrsprachige Klassifizierung wählen.

Die Segmenter-API ist kostenlos nutzbar. Durch die Angabe Ihres API-Schlüssels können Sie auf ein höheres Ratenlimit zugreifen und Ihr Schlüssel wird Ihnen nicht in Rechnung gestellt.

Ohne API-Schlüssel können Sie auf die Segmenter-API mit einer Ratenbegrenzung von 20 RPM zugreifen.

Mit einem API-Schlüssel können Sie auf die Segmenter-API mit einer Ratenbegrenzung von 200 RPM zugreifen. Für Premium-Benutzer beträgt die Ratenbegrenzung 1000 RPM.

Nein, Ihr API-Schlüssel wird nur verwendet, um auf ein höheres Ratenlimit zuzugreifen.

Ja, die Segmenter-API ist mehrsprachig und unterstützt über 100 Sprachen.

GET-Anfragen werden ausschließlich zum Zählen der Anzahl von Token in einem Text verwendet und ermöglichen Ihnen die einfache Integration als Zähler in Ihre Anwendung. POST-Anfragen unterstützen mehr Parameter und Funktionen, wie z. B. die Rückgabe der ersten/letzten N Token.

Sie können bis zu 64.000 Zeichen pro Anfrage senden.

Die Chunking-Funktion segmentiert lange Dokumente anhand gemeinsamer Strukturmerkmale in kleinere Chunks und stellt so eine genaue Segmentierung des Textes in sinnvolle Chunks sicher. Im Wesentlichen handelt es sich um ein (großes!) Regex-Muster, das Text anhand bestimmter syntaktischer Merkmale segmentiert, die häufig mit semantischen Grenzen übereinstimmen, wie etwa Satzenden, Absatzumbrüchen, Zeichensetzung und bestimmten Konjunktionen. Es handelt sich nicht um semantisches Chunking. Dieser (große) Regex ist so leistungsfähig, wie er im Rahmen der Beschränkungen regulärer Ausdrücke sein kann. Er schafft ein Gleichgewicht zwischen Komplexität und Leistung. Während mit Regex kein echtes semantisches Verständnis möglich ist, wird der Kontext anhand gemeinsamer Strukturmerkmale gut angenähert.

Wenn die Eingabe spezielle Token enthält, fügt unsere Segmenter-API diese in das Feld „special_tokens“ ein. So können Sie sie leicht identifizieren und für Ihre nachgelagerten Aufgaben entsprechend behandeln, z. B. indem Sie sie entfernen, bevor Sie den Text in ein LLM einspeisen, um Injektionsangriffe zu verhindern.

Neben westlichen Sprachen funktioniert Chunking auch gut mit Chinesisch, Japanisch und Koreanisch.

Die Funktion befindet sich derzeit in der Betaphase und kostet 1 Million Token pro optimiertem Modell. Sie können Ihren vorhandenen API-Schlüssel aus der Embedding/Reranker-API verwenden, sofern dieser über genügend Token verfügt, oder einen neuen API-Schlüssel erstellen, der 10 Millionen kostenlose Token enthält.

Sie müssen keine Trainingsdaten bereitstellen. Beschreiben Sie einfach Ihre Zieldomäne (die Domäne, für die die fein abgestimmten Einbettungen optimiert werden sollen) in natürlicher Sprache oder verwenden Sie eine URL als Referenz. Unser System generiert dann synthetische Daten zum Trainieren des Modells.

Etwa 30 Minuten.

Die feinabgestimmten Modelle und synthetischen Daten werden öffentlich im Hugging Face-Modell-Hub gespeichert.

Das System verwendet die Reader-API, um den Inhalt von der URL abzurufen. Anschließend analysiert es den Inhalt, um den Ton und die Domäne zusammenzufassen, die es als Richtlinien zum Generieren synthetischer Daten verwendet. Daher sollte die URL öffentlich zugänglich und repräsentativ für die Zieldomäne sein.

Ja, Sie können ein Modell für eine andere Sprache als Englisch optimieren. Das System erkennt automatisch die Sprache Ihrer Domänenanweisungen und generiert entsprechend synthetische Daten. Wir empfehlen außerdem, das entsprechende Basismodell für die Zielsprache auszuwählen. Wenn Sie beispielsweise eine deutsche Domäne als Ziel haben, sollten Sie als Basismodell „jina-embeddings-v2-base-de“ auswählen.

Nein, unsere Feinabstimmungs-API unterstützt nur Jina v2-Modelle.

Am Ende des Feinabstimmungsprozesses wertet das System das Modell anhand eines zurückgehaltenen Testsatzes aus und meldet Leistungsmesswerte. Sie erhalten eine E-Mail mit detaillierten Angaben zur Leistung vor/nach diesem Testsatz. Sie werden außerdem ermutigt, das Modell anhand Ihres eigenen Testsatzes auszuwerten, um seine Qualität sicherzustellen.

Das System generiert synthetische Daten, indem es die von Ihnen bereitgestellten Zieldomänenanweisungen mit den Argumenten der LLM-Agenten integriert. Es erzeugt harte negative Tripletts, die für das Training hochwertiger Einbettungsmodelle unerlässlich sind. Weitere Einzelheiten finden Sie in unserem kommenden Forschungspapier auf Arxiv.

Derzeit nicht. Beachten Sie, dass sich diese Funktion noch in der Betaphase befindet. Die öffentliche Speicherung der fein abgestimmten Modelle und synthetischen Daten im Hugging Face-Modell-Hub hilft uns und der Community, die Qualität des Trainings zu bewerten. In Zukunft planen wir, eine private Speicheroption anzubieten.

Da alle feinabgestimmten Modelle auf Hugging Face hochgeladen werden, können Sie über SentenceTransformers darauf zugreifen, indem Sie einfach den Modellnamen angeben.

Bitte überprüfen Sie Ihren Spam-Ordner. Wenn Sie ihn immer noch nicht finden können, wenden Sie sich bitte über die von Ihnen angegebene E-Mail-Adresse an unser Support-Team.