Automatische Feinabstimmung

Sagen Sie uns einfach, in welchem Bereich Ihre Einbettungen herausragend sein sollen, und wir liefern automatisch ein gebrauchsfertiges, fein abgestimmtes Einbettungsmodell für diesen Bereich.

Liste der fein abgestimmten Modelle

Was ist automatische Feinabstimmung?

Sie können Ihre Anforderung auf drei Arten angeben: eine allgemeine Anweisung, eine URL oder eine Abfragedokumentbeschreibung. Wählen Sie eine aus.

Abfrage-Dokumentbeschreibung

Beschreiben Sie, wie die Abfrage aussieht und wie das übereinstimmende Dokument in Ihrer Domäne aussieht.

Beschreiben Sie, wie eine Abfrage aussieht.

Beschreiben Sie, wie ein übereinstimmendes Dokument aussehen sollte.

Oder Webseiten-URL

Zur Feinabstimmung können Sie den Inhalt einer URL konsultieren.

Oder allgemeine Anweisung

Geben Sie eine detaillierte Beschreibung der Verwendung der feinabgestimmten Einbettungen an.

Wählen Sie ein Basis-Einbettungsmodell

Wählen Sie Einbettungen aus

Durch Feinabstimmung können Sie ein vorab trainiertes Modell nehmen und es an eine bestimmte Aufgabe oder Domäne anpassen, indem Sie es an einem neuen Datensatz trainieren. In der Praxis ist es für viele Benutzer nicht einfach, effektive Trainingsdaten zu finden. Für ein effektives Training ist mehr erforderlich, als einfach nur Roh-PDFs und HTMLs in das Modell einzugeben. Und es ist schwer, es richtig zu machen. Die automatische Feinabstimmung löst dieses Problem, indem sie mithilfe einer erweiterten LLM-Agent-Pipeline automatisch effektive Trainingsdaten generiert und das Modell innerhalb eines ML-Workflows feinabstimmt. Sie können es sich als eine Kombination aus synthetischer Datengenerierung und AutoML vorstellen. Sie müssen also nur Ihre Zieldomäne in natürlicher Sprache beschreiben und unser System den Rest erledigen lassen.

Aber funktioniert es trotzdem?

Die automatische Feinabstimmung verspricht wie durch Zauberhand feinabgestimmte Einbettungen für jede gewünschte Domäne. Aber funktioniert das wirklich? Das ist durchaus fraglich. Um das herauszufinden, haben wir es an einer Vielzahl von Domänen und Basismodellen getestet. Sehen Sie sich unten die Rosinenpickerei und die Zitronenpickerei an.

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-en

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.505 0.532 5%

MAP

0.352 0.389 10%

MRR

0.352 0.389 10%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus tollefj/norwegian-nli-triplets

NDCG

0.852 0.867 2%

MAP

0.800 0.820 2%

MRR

0.800 0.820 2%

Synthetische Daten generiert

Gesamt

4648

Ausbildung

4480

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-en

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.672 0.755 12%

MAP

0.567 0.675 19%

MRR

0.567 0.675 19%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus mteb/askubuntudupquestions-reranking

NDCG

0.698 0.722 3%

MAP

0.515 0.549 6%

MRR

0.666 0.712 7%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-en

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.727 0.861 18%

MAP

0.640 0.814 27%

MRR

0.640 0.814 27%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus mteb/scidocs-reranking

NDCG

0.773 0.822 6%

MAP

0.575 0.651 13%

MRR

0.823 0.884 7%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-zh

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.718 0.785 9%

MAP

0.629 0.717 14%

MRR

0.629 0.717 14%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus C-MTEB/CMedQAv2-reranking

NDCG

0.938 0.948 1%

MAP

0.912 0.926 2%

MRR

0.920 0.933 1%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-en

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.543 0.579 7%

MAP

0.402 0.452 12%

MRR

0.402 0.452 12%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus nc33/triplet_sbert_law2 (machine-translated to dutch)

NDCG

0.904 0.948 5%

MAP

0.870 0.930 7%

MRR

0.870 0.930 7%

Synthetische Daten generiert

Gesamt

9128

Ausbildung

8960

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-code

Durchschnittliche Verbesserung

-4%

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.671 0.640 -5%

MAP

0.569 0.525 -8%

MRR

0.569 0.525 -8%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus mteb/stackoverflowdupquestions-reranking

NDCG

0.640 0.621 -3%

MAP

0.530 0.505 -5%

MRR

0.555 0.532 -4%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-code

Durchschnittliche Verbesserung

-4%

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.632 0.711 13%

MAP

0.517 0.622 20%

MRR

0.517 0.622 20%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus mteb/stackoverflowdupquestions-reranking

NDCG

0.640 0.619 -3%

MAP

0.530 0.504 -5%

MRR

0.555 0.525 -5%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

Basismodell zum Feintuning

jinaai/jina-embeddings-v2-base-en

Durchschnittliche Verbesserung

Domänenanweisung

Leistung im synthetischen Validierungssatz vor und nach der Feinabstimmung

NDCG

0.646 0.729 13%

MAP

0.535 0.644 20%

MRR

0.535 0.644 20%

Leistung im zurückgehaltenen Testsatz vor und nach der Feinabstimmung

Getestet an 50 Zufallsstichproben aus mteb/askubuntudupquestions-reranking

NDCG

0.645 0.650 1%

MAP

0.452 0.462 2%

MRR

0.606 0.605 -0%

Synthetische Daten generiert

Gesamt

616

Ausbildung

448

Validierung

168

Synthetische Daten herunterladen Feinabgestimmtes Modell herunterladen

API für automatische Feinabstimmung

Erhalten Sie fein abgestimmte Einbettungen für jede gewünschte Domäne.

Verwenden Sie r.jina.ai, um eine URL zu lesen und ihren Inhalt abzurufen

Verwenden Sie s.jina.ai, um im Web zu suchen und SERP zu erhalten

Fügen Sie mcp.jina.ai als Ihren MCP-Server hinzu, um in LLMs auf unsere API zuzugreifen

curl "https://r.jina.ai/https://www.example.com"

API-Schlüssel

Verfügbare Token

Dies ist Ihr einzigartiger Schlüssel. Bewahren Sie ihn sicher auf!

FAQ

Kann ich denselben API-Schlüssel für alle Jina-APIs verwenden?

Kann ich die Token-Nutzung meines API-Schlüssels überwachen?

Was soll ich tun, wenn ich meinen API-Schlüssel vergesse?

Laufen API-Schlüssel ab?

Kann ich Token zwischen API-Schlüsseln übertragen?

Kann ich meinen API-Schlüssel widerrufen?

Warum ist die erste Anfrage für einige Modelle langsam?

Werden meine API-Daten zum Trainieren Ihrer Modelle verwendet?

Welche Ratenbegrenzungen gelten für Jina-APIs?

Gibt es Beschränkungen hinsichtlich der Batchgröße für die APIs?

Sind die Jina-APIs dasselbe wie die Jina-Modelle innerhalb von Elastic?

Wie erhalte ich meinen API-Schlüssel?

Wie hoch ist die Ratenbegrenzung?

Ratenbegrenzung

Ratenlimits werden auf zwei Arten erfasst: RPM (Anfragen pro Minute) und TPM (Token pro Minute). Die Limits werden pro IP/API-Schlüssel erzwungen und ausgelöst, wenn zuerst der RPM- oder TPM-Schwellenwert erreicht wird. Wenn Sie im Request-Header einen API-Schlüssel angeben, erfassen wir die Ratenlimits pro Schlüssel und nicht nach IP-Adresse.

Spalten

Produkt	API-Endpunkt	Beschreibung	ohne API-Schlüssel	mit kostenlosem API-Schlüssel	mit kostenpflichtigem API-Schlüssel	mit Premium-API-Schlüssel	Durchschnittliche Latenz	Zählung der Token-Nutzung	Zulässige Anfrage
Reader-API	`https://r.jina.ai`	URL in LLM-freundlichen Text konvertieren	20 RPM	500 RPM	500 RPM	5000 RPM	7.9s	Anzahl der Token in der Ausgabeantwort zählen	GET/POST
Reader-API	`https://s.jina.ai`	Das Web durchsuchen und die Ergebnisse in LLM-freundlichen Text konvertieren		100 RPM	100 RPM	1000 RPM	2.5s	Jede Anfrage kostet eine feste Anzahl an Token, beginnend bei 10.000 Token	GET/POST
Einbettungs-API	`https://api.jina.ai/v1/embeddings`	Text/Bilder in Vektoren mit fester Länge konvertieren		100 RPM & 100,000 TPM	500 RPM & 2,000,000 TPM	5,000 RPM & 50,000,000 TPM	hängt von der Eingangsgröße ab	Anzahl der Token in der Eingabeanforderung zählen	POST
Reranker-API	`https://api.jina.ai/v1/rerank`	Dokumente nach Abfrage ordnen		100 RPM & 100,000 TPM	500 RPM & 2,000,000 TPM	5,000 RPM & 50,000,000 TPM	hängt von der Eingangsgröße ab	Anzahl der Token in der Eingabeanforderung zählen	POST

Erfolgt die Abrechnung nach der Anzahl der Sätze bzw. Anfragen?

Gibt es eine kostenlose Testversion für neue Benutzer?

Werden für fehlgeschlagene Anfragen Token berechnet?

Welche Zahlungsmethoden werden akzeptiert?

Ist eine Rechnungsstellung für Token-Käufe verfügbar?

Wie kann ich eine kommerzielle Lizenz anstelle von API-Tokens erwerben?

Kann ich per Rechnung oder Bestellschein statt per Karte bezahlen?

Ich habe bezahlt, aber mein Kontostand oder mein Ratenlimit hat sich nicht geändert. Was sollte ich überprüfen?

Wie kann ich eine Zahlung stornieren, die automatische Aufladung stoppen oder eine gespeicherte Zahlungsmethode entfernen?