Contactar con ventas

Sí. Jina se está transformando en una marca modelo. Es como si Qwen se convirtiera en Alibaba, GPT en OpenAI o Kimi en Moonshot. Gradualmente, cambiaremos la identidad legal de la empresa de "Jina AI" a Elastic, lo que permitirá a Jina AI centrarse exclusivamente en modelos de base de búsqueda como marca.

Integraciones, rerankers y pequeños modelos de lenguaje para una mejor búsqueda. Nuestra misión aún no está cumplida; siempre hemos mantenido nuestro objetivo: convertirnos en un proveedor de modelos de búsqueda de primer nivel.

Sí. Las API de lectura, de incrustación y de reranker se seguirán desarrollando y manteniendo. Cada modelo que lancemos también lo publicaremos en plataformas de mercado en la nube. Puede seguir utilizando nuestros servicios de API como antes. La única excepción es que no podemos prestar servicio a entidades o países sujetos a los controles de exportación de EE. UU.

Sí. En Elastic, Jina seguirá ampliando las fronteras de los modelos de base de búsqueda y seguiremos lanzando modelos de ponderaciones abiertas.

Continuaremos publicando bajo CC-BY-NC 4.0 a menos que las circunstancias cambien, lo cual es poco probable.

Sí. Cada modelo que publiquemos estará respaldado por un artículo riguroso y seguiremos presentándolo a importantes conferencias como ICLR, EMNLP, SIGIR, NeurIPS e ICML.

Simplemente regístrese y pague a través de nuestro sitio web o del mercado en la nube correspondiente, como antes.

Actualmente, nuestros productos no forman parte de los SKU de Elastic, por lo que deberá pagar a través de nuestro sitio web para acceder a estos servicios. Próximamente, los modelos Jina estarán disponibles a través del Servicio de Inferencia de Elastic.

Si tiene una licencia de pago de Elastic, es muy probable que el uso comercial de nuestros modelos ya esté incluido. Puede empezar a usarlos directamente. Si tiene alguna duda, póngase en contacto con su representante de ventas de Elastic o con Field SE; ellos se pondrán en contacto con nosotros para confirmarlo.

Dado que actualmente nos estamos integrando con Elastic, pronto se aclarará el camino a seguir. Por ahora, no podemos emitir acuerdos de licencia comerciales independientes para nuestros modelos.

No tenemos una entidad legal en China, por lo que no podemos emitir facturas en ese país. Las facturas las emite Jina AI GmbH, nuestra sede en Alemania.

Los acuerdos contractuales siempre han sido una pequeña parte del modelo comercial de Jina AI: la mayoría de nuestros clientes se autogestionan con precios de pago por uso. Aunque estamos en proceso de integración con Elastic, no estamos emitiendo nuevos contratos por el momento.

Comuníquese con su representante de ventas de Elastic y podremos organizar una reunión entre usted, el equipo de Jina AI y Elastic para analizarlo.

La API del lector es gratuita para uso básico: simplemente añade "https://r.jina.ai/" al principio de tu URL. Para límites de velocidad más altos, puedes proporcionar una clave API que cobra tokens según la longitud del contenido. Consulta la pregunta 16 para obtener más información sobre los límites de velocidad.

La API Reader utiliza un proxy para recuperar cualquier URL y representar su contenido en un navegador para extraer contenido principal de alta calidad.

Sí, la API Reader es de código abierto y está disponible en el repositorio GitHub de Jina AI.

La API Reader generalmente procesa las URL y devuelve el contenido en 2 segundos, aunque las páginas complejas o dinámicas pueden requerir más tiempo.

El scraping puede ser complicado y poco confiable, particularmente con páginas complejas o dinámicas. Reader API proporciona una salida optimizada y confiable de texto limpio y listo para LLM.

La API Reader devuelve contenido en el idioma original de la URL. No proporciona servicios de traducción.

Si tiene problemas de bloqueo, comuníquese con nuestro equipo de soporte para obtener ayuda y resolución.

Si bien está diseñada principalmente para páginas web, la API Reader puede extraer contenido de archivos PDF vistos en formato HTML en sitios web como arXiv, pero no está optimizada para la extracción general de PDF.

Sí, Reader puede subtitular imágenes en páginas web usando el encabezado x-with-generated-alt. Esto añade etiquetas alt descriptivas a las imágenes que no las tienen, lo que permite a los LLM comprender el contenido visual. Se planea incluir resúmenes de video en futuras versiones.

No, la API Reader solo puede procesar contenido de URL de acceso público.

Si solicita la misma URL en un plazo de 5 minutos, la API de Reader devolverá el contenido almacenado en caché.

Lamentablemente no.

Sí, puede utilizar la compatibilidad con PDF nativo del Reader (https://r.jina.ai/https://arxiv.org/pdf/2310.19923v4) o utilizar la versión HTML de arXiv (https:// r.jina.ai/https://arxiv.org/html/2310.19923v4)

Reader subtitula todas las imágenes en la URL especificada y agrega `Imagen [idx]: [caption]` como etiqueta alt (si inicialmente carecen de una). Esto permite a los LLM posteriores interactuar con las imágenes para razonar, resumir, etc.

La API Reader está diseñada para ser altamente escalable. Se escala automáticamente en función del tráfico en tiempo real y las solicitudes de concurrencia máxima ahora son de alrededor de 4000. Lo mantenemos activamente como uno de los productos principales de Jina AI. Así que siéntete libre de usarlo en producción.

Encuentre la información más reciente sobre el límite de tarifas en la siguiente tabla. Tenga en cuenta que estamos trabajando activamente para mejorar el límite de velocidad y el rendimiento de Reader API; la tabla se actualizará en consecuencia.

ReaderLM-v2 es nuestro último modelo de lenguaje pequeño (SLM) para convertir HTML sin formato en Markdown limpio o JSON. Ofrece una mejora de calidad tres veces superior a la versión 1 y puede extraer datos estructurados mediante esquemas JSON o instrucciones de lenguaje natural. Puede usarlo directamente a través de la API de Reader con el encabezado x-respond-with: readerlm-v2 o implementarlo desde plataformas en la nube (AWS, Azure, GCP).

Utilice el encabezado x-json-schema con una definición de esquema JSON o el encabezado x-instruction con instrucciones en lenguaje natural. Ambas funciones son compatibles con ReaderLM-v2 para extraer campos específicos, como precios, títulos, fechas, etc., de cualquier página web a formato JSON estructurado.

No. Reader no elude ni evita activamente ningún mecanismo de defensa del sitio web, sistema anti-bots ni control de acceso. Si un sitio web detecta nuestro servicio como un bot y bloquea la solicitud, se respeta el resultado. Operamos como un cliente web estándar y no empleamos técnicas diseñadas para evadir los sistemas de detección.

No. Actualizar de un nivel gratuito a una clave API de pago no otorga acceso a sitios web adicionales ni evita las restricciones de sitios. La diferencia entre los niveles radica principalmente en los límites de velocidad y las optimizaciones de rendimiento. Una clave API de pago proporciona un mayor rendimiento de solicitudes y un procesamiento más rápido, pero no permite el acceso a sitios web que bloquean nuestro servicio.

Para obtener información detallada sobre nuestros procesos de capacitación, fuentes de datos y evaluaciones, consulte nuestros informes técnicos en arXiv para jina-embeddings-v3 y jina-embeddings-v4.

jina-embeddings-v4 es nuestro modelo multimodal universal más reciente (3800 millones de parámetros) compatible con texto e imágenes con contexto de 32 K, recuperación densa y de interacción tardía, y rendimiento SOTA en documentos visualmente ricos. jina-clip-v2 es una opción más ligera (865 millones de parámetros) compatible con 89 idiomas con una resolución de imagen de 512 x 512 y representaciones de Matryoshka. Ambos son excelentes en tareas de recuperación de texto a texto, texto a imagen e imagen a imagen.

Tanto jina-embeddings-v4 como jina-embeddings-v3 admiten 89 idiomas con un excelente rendimiento multilingüe. Los 30 idiomas principales incluyen: alemán, árabe, bengalí, chino, coreano, danés, eslovaco, español, finlandés, francés, georgiano, griego, hindi, indonesio, inglés, italiano, japonés, letón, noruego, polaco, portugués, rumano, ruso, sueco, tailandés, turco, ucraniano, urdu y vietnamita. jina-clip-v2 también admite 89 idiomas para tareas multimodales.

La longitud del contexto varía según el modelo: jina-embeddings-v4 admite hasta 32 000 tokens, mientras que jina-embeddings-v3 y jina-clip-v2 admiten hasta 8192 tokens. Un token puede abarcar desde un solo carácter hasta una palabra completa. Este contexto extendido permite un análisis exhaustivo de documentos y una mayor precisión en la comprensión del contexto para datos textuales extensos.

No hay un límite estricto en la cantidad de elementos por solicitud. La API agrupa las entradas internamente por número de tokens para optimizar el uso de la GPU. Puedes enviar tantos textos o imágenes como necesites en una sola solicitud.

Para jina-embeddings-v4, jina-clip-v2 y jina-clip-v1, puede usar url o bytes en el campo input de la solicitud de API. Para url, proporcione la URL de la imagen que desea procesar. Para bytes, codifique la imagen en formato base64. jina-embeddings-v4 también puede incrustar documentos PDF directamente pasando una URL de PDF o bytes de PDF codificados en base64.

jina-embeddings-v4 es nuestro modelo insignia más reciente, que alcanza la excelencia en la recuperación de documentos visualmente enriquecidos (ViDoRe) y en pruebas multimodales. Para tareas de solo texto, jina-embeddings-v3 supera a OpenAI y Cohere en las pruebas MTEB de inglés y multilingüe, además de ser más pequeño y eficiente. Ambos modelos son compatibles con el aprendizaje de representación Matryoshka (MRL), lo que permite el truncamiento de dimensiones (hasta 32 para la versión 3 y hasta 128 para la versión 4) sin una pérdida significativa de rendimiento.

La transición se simplifica, ya que nuestro punto final de API coincide con los esquemas JSON de entrada y salida del modelo text-embedding-3-large de OpenAI. Esta compatibilidad garantiza que los usuarios puedan reemplazar fácilmente el modelo de OpenAI por el nuestro cuando utilicen el punto final de OpenAI.

Los tokens se calculan en función de la longitud del texto y el tamaño de la imagen. Para el texto de la solicitud, los tokens se contabilizan de la forma estándar. Para las imágenes, se realizan los siguientes pasos: 1. Tamaño del mosaico: Cada imagen se divide en mosaicos. Para jina-embeddings-v4, los mosaicos miden 28x28 píxeles, para jina-clip-v2, los mosaicos miden 512x512 píxeles, mientras que para jina-clip-v1, los mosaicos miden 224x224 píxeles. 2. Cobertura: Se calcula el número de mosaicos necesarios para cubrir la imagen de entrada. Incluso si las dimensiones de la imagen no son perfectamente divisibles por el tamaño del mosaico, los mosaicos parciales se contabilizan como mosaicos completos. 3. Mosaicos totales: El número total de mosaicos que cubren la imagen determina el coste. Por ejemplo, una imagen de 600x600 píxeles estaría cubierta por mosaicos de 22x22 (484 mosaicos) en jina-embeddings-v4, por mosaicos de 2x2 (4 mosaicos) en jina-clip-v2 y por mosaicos de 3x3 (9 mosaicos) en jina-clip-v1. 4. Cálculo del coste: Para jina-embeddings-v4, cada mosaico cuesta 10 tokens; para jina-clip-v2, cada mosaico cuesta 4000 tokens; mientras que para jina-clip-v1, cada mosaico cuesta 1000 tokens. Ejemplo: Para una imagen con dimensiones de 600x600 píxeles: • Con jina-embeddings-v4 • La imagen se divide en mosaicos de 28x28 píxeles. • El número total de mosaicos requeridos es 22 (horizontales) x 22 (verticales) = 484 mosaicos. • El costo de jina-embeddings-v4 será de 484*10 = 4840 tokens. • Con jina-clip-v2 • La imagen se divide en mosaicos de 512x512 píxeles. • El número total de mosaicos requeridos es 2 (horizontales) x 2 (verticales) = 4 mosaicos. • El costo de jina-clip-v2 será de 4*4000 = 16000 tokens. • Con jina-clip-v1 • La imagen se divide en mosaicos de 224x224 píxeles. • El número total de fichas necesarias es 3 (horizontales) x 3 (verticales) = 9 fichas. • El coste de jina-clip-v1 será 9*1000 = 9000 tokens.

Sí, jina-clip-v2 y jina-clip-v1 pueden incorporar imágenes y textos. ¡Pronto anunciaremos la incorporación de modelos en más modalidades!

Si tiene consultas sobre cómo ajustar nuestros modelos con datos específicos, contáctenos para analizar sus requisitos. Estamos abiertos a explorar cómo nuestros modelos se pueden adaptar para satisfacer sus necesidades.

Sí, nuestros servicios están disponibles en los mercados de AWS, Azure y GCP. Si tiene requisitos específicos, comuníquese con nosotros a sales AT jina.ai.

El parámetro task en jina-embeddings-v3 y jina-embeddings-v4 activa adaptadores LoRA específicos de cada tarea para un rendimiento óptimo. Utilice retrieval.query para consultas de búsqueda, retrieval.passage para documentos que se buscarán, text-matching para similitud semántica, classification para clasificación de texto y separation para tareas de agrupamiento.

jina-embeddings-v4 admite la recuperación densa (de un solo vector) y la de interacción tardía (multivector) mediante el parámetro output_type. La interacción tardía conserva información más detallada a nivel de token para una mayor precisión de recuperación en consultas complejas. jina-colbert-v2 es un modelo dedicado a la interacción tardía.

La fragmentación tardía es una técnica que primero integra todo el documento mediante modelos de contexto extenso y luego extrae las incrustaciones de fragmentos de las representaciones a nivel de token. A diferencia de la fragmentación simple (fragmentar primero, luego incrustar), la fragmentación tardía preserva el contexto entre fragmentos, lo que mejora la recuperación para aplicaciones RAG. Habilítela mediante el parámetro late_chunking en jina-embeddings-v3.

Si bien algunos de nuestros modelos de incrustación tienen la capacidad arquitectónica de procesar contextos más largos, la API puede imponer límites inferiores debido a las limitaciones de VRAM de la GPU en nuestra infraestructura de inferencia. Procesar secuencias muy largas requiere una cantidad considerable de memoria, por lo que optimizamos nuestra configuración de servicio para equilibrar el rendimiento, la latencia y el coste en la mayoría de los casos de uso. Si necesita compatibilidad con contextos más largos, póngase en contacto con nuestro equipo de ventas para hablar sobre opciones de implementación dedicadas.

jina-embeddings-v4 se basa en el modelo base Qwen2-VL, publicado bajo la Licencia de Investigación de Qwen. Esta licencia solo permite su uso con fines de investigación y no comerciales, lo que significa que no podemos ofrecer jina-embeddings-v4 como producto comercial. Por ello, ofrecemos acceso gratuito al modelo a través de nuestra API. Hay dos razones por las que jina-embeddings-v4 puede parecer más lento que otros modelos: en primer lugar, jina-embeddings-v4 es un modelo significativamente más grande que jina-embeddings-v3, por lo que requiere inherentemente más tiempo de cálculo por solicitud. En segundo lugar, dado que no podemos comercializar este modelo, limitamos intencionalmente el rendimiento de la API para gestionar los costes de infraestructura. Los usuarios no deben esperar un rendimiento de alto volumen ni de producción al utilizar la API jina-embeddings-v4. Para cargas de trabajo de producción que requieren un mayor rendimiento, recomendamos usar jina-embeddings-v3 o implementar jina-embeddings-v4 en su propia infraestructura a través de Hugging Face.

Los límites de velocidad dependen del tipo de clave API:

Gratis: 100 RPM, 100 000 TPM, 2 solicitudes simultáneas
Pago: 500 RPM, 2 000 000 TPM, 50 solicitudes simultáneas
Premium: 5000 RPM, 50 000 000 TPM, 500 solicitudes simultáneas

Además, existe un límite de velocidad basado en IP de 10 000 solicitudes cada 60 segundos para evitar abusos. Si necesita límites mayores, póngase en contacto con nuestro equipo de ventas.

Cada modelo tiene una longitud máxima de contexto por entrada:

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

Las entradas que excedan el límite devolverán un error a menos que se configure truncate: true, lo que trunca automáticamente a la longitud máxima.

Los tamaños máximos de archivo son: Imágenes: 5 MB, PDF: 8 MB. Los archivos más grandes se rechazarán con un error.

El precio de la API Reranker se ajusta a nuestra estructura de precios de la API Embedding. Comienza con 10 millones de tokens gratuitos por cada nueva clave API. Además de los tokens gratuitos, hay diferentes paquetes disponibles para su compra. Para más información, visite nuestra sección de precios.

jina-reranker-v3 es nuestro reranker insignia más reciente con una novedosa arquitectura de lista que logra una recuperación multilingüe SOTA con una longitud de contexto de 131K. jina-reranker-m0 es nuestro reranker multimodal para clasificar documentos visuales en diferentes idiomas. jina-reranker-v2-base-multilingual es un codificador cruzado compatible con más de 100 idiomas con llamada de funciones y recuperación de código. jina-colbert-v2 utiliza interacción tardía para 89 idiomas con tamaños de incrustación controlados por el usuario.

Sí, todos nuestros rerankers (jina-reranker-v3, jina-reranker-m0, jina-reranker-v2-base-multilingual y jina-colbert-v2) son de código abierto y están disponibles bajo la licencia CC-BY-NC 4.0. Puedes usar, compartir y adaptar los modelos con fines no comerciales.

Sí, todos nuestros rerankers admiten la recuperación multilingüe. jina-reranker-v3 y jina-reranker-v2-base-multilingual admiten más de 100 idiomas. jina-reranker-m0 admite la clasificación visual de documentos multilingües. jina-colbert-v2 admite 89 idiomas.

La longitud del contexto varía según el modelo:

jina-reranker-v3: 131.072 tokens (consulta + todos los documentos combinados) con truncamiento automático
jina-reranker-m0: 10.000 tokens
jina-reranker-v2-base-multilingual: 1.024 tokens con fragmentación automática para documentos más largos
jina-reranker-v1-*: 1.024 tokens con fragmentación automática
jina-colbert-v2: 8.192 tokens

Para los rerankers v1/v2, las consultas se truncan automáticamente y los documentos largos se fragmentan con agrupación máxima en fragmentos.

No hay un límite estricto en la cantidad de documentos por solicitud. Al igual que nuestra API de incrustaciones, la API de reranking agrupa las entradas internamente por número de tokens para optimizar el uso de la GPU. Puede enviar tantos documentos como necesite en una sola solicitud.

La latencia varía de 100 milisegundos a 7 segundos, dependiendo en gran medida de la longitud de los documentos y de la consulta. Por ejemplo, reclasificar 100 documentos de 256 tokens cada uno con una consulta de 64 tokens lleva unos 150 milisegundos. Aumentar la longitud del documento a 4096 tokens aumenta el tiempo a 3,5 segundos. Si la longitud de la consulta aumenta a 512 tokens, el tiempo aumenta aún más a 7 segundos.

Sí, nuestros servicios están disponibles en los mercados de AWS, Azure y GCP. Si tiene requisitos específicos, comuníquese con nosotros a sales AT jina.ai.

Si está interesado en un reranker ajustado y adaptado a datos de dominio específicos, comuníquese con nuestro equipo de ventas. Nuestro equipo responderá a su consulta con prontitud.

El tamaño de imagen mínimo aceptable para el modelo jina-reranker-m0 es 28x28 píxeles.

jina-reranker-v3 utiliza una novedosa arquitectura de lista que puntúa todos los documentos en una sola pasada, lo que permite la comparación entre documentos. Los rerankers puntuales tradicionales (como la versión 2) puntúan cada documento de forma independiente según la consulta. El reranking de lista logra una mayor precisión al comprender la relevancia relativa de todo el conjunto de candidatos.

Si bien algunos de nuestros modelos de reranking tienen la capacidad arquitectónica para procesar contextos más largos, la API puede imponer límites más bajos debido a las limitaciones de VRAM de la GPU en nuestra infraestructura de inferencia. Procesar secuencias muy largas requiere una cantidad considerable de memoria, por lo que optimizamos nuestra configuración de servicio para equilibrar el rendimiento, la latencia y el costo en la mayoría de los casos de uso. Si necesita compatibilidad con contextos más largos, comuníquese con nuestro equipo de ventas para hablar sobre opciones de implementación dedicadas.

Los límites de velocidad dependen del tipo de clave API:

Gratuita: 100 RPM, 100 000 TPM, 2 solicitudes simultáneas
De pago: 500 RPM, 2 000 000 TPM, 50 solicitudes simultáneas
Premium: 5000 RPM, 50 000 000 TPM, 500 solicitudes simultáneas

También hay un límite de velocidad basado en IP de 10 000 solicitudes cada 60 segundos. Los mismos límites de velocidad se aplican a las API de incrustaciones y rerankers.

Sí, la misma clave API es válida para todos los productos de la base de búsqueda de Jina AI. Esto incluye las API de lectura, incrustación, reclasificación, clasificación y ajuste, con tokens compartidos entre todos los servicios.

Sí, el uso de tokens se puede monitorear en la pestaña "Clave API y facturación" ingresando su clave API, lo que le permite ver el historial de uso reciente y los tokens restantes. Si ha iniciado sesión en el panel de API, estos detalles también se pueden ver en la pestaña "Administrar clave API".

Si ha perdido una clave recargada y desea recuperarla, comuníquese con el servicio de asistencia de jina.ai con su correo electrónico registrado para recibir asistencia. Se recomienda iniciar sesión para mantener su clave API almacenada de forma segura y de fácil acceso.

No, nuestras claves API no tienen fecha de vencimiento. Sin embargo, si sospecha que su clave ha sido comprometida y desea retirarla, comuníquese con nuestro equipo de soporte para obtener ayuda. También puede revocar su clave en el panel de administración de claves API.

Sí, puedes transferir tokens de una clave premium a otra. Después de iniciar sesión en tu cuenta en el panel de administración de claves API, usa la configuración de la clave que deseas transferir para mover todos los tokens pagos restantes.

Sí, puedes revocar tu clave API si crees que se ha visto comprometida. Al revocar una clave, se deshabilitará de inmediato para todos los usuarios que la hayan almacenado, y todo el saldo restante y las propiedades asociadas quedarán inutilizables de forma permanente. Si la clave es una clave premium, tienes la opción de transferir el saldo restante pagado a otra clave antes de la revocación. Ten en cuenta que esta acción no se puede deshacer. Para revocar una clave, ve a la configuración de claves en el panel de control de administración de claves API.

Esto se debe a que nuestra arquitectura sin servidor descarga ciertos modelos durante períodos de bajo uso. La solicitud inicial activa o "calienta" el modelo, lo que puede tardar unos segundos. Después de esta activación inicial, las solicitudes posteriores se procesan mucho más rápido.

No. Nunca utilizamos sus solicitudes, entradas ni salidas de API para entrenar nuestros modelos de incrustación, reranking ni ningún otro. Sus datos siguen siendo suyos. Cumplimos con las normas SOC 2 Tipo I y Tipo II.

Se aplican límites de velocidad por clave de API:

Gratis: 100 RPM, 100 000 TPM, 2 solicitudes simultáneas
Pago: 500 RPM, 2 000 000 TPM, 50 solicitudes simultáneas
Premium: 5000 RPM, 50 000 000 TPM, 500 solicitudes simultáneas

También hay un límite de velocidad basado en IP de 10 000 solicitudes cada 60 segundos. Estos límites se aplican a todas las API de Jina (Incrustaciones, Reranker, Lector, etc.).

No hay límite de tamaño de lote para las API de incrustaciones ni para las de reranking. Puede enviar tantos elementos o documentos como necesite por solicitud. Ambas API procesan las entradas internamente por lotes según el número de tokens para optimizar el uso de la GPU.

Nuestro modelo de precios se basa en la cantidad total de tokens procesados, lo que permite a los usuarios la flexibilidad de asignar estos tokens en cualquier cantidad de oraciones, ofreciendo una solución rentable para diversos requisitos de análisis de texto.

Ofrecemos una prueba gratuita de bienvenida a los nuevos usuarios, que incluye diez millones de tokens para usar con cualquiera de nuestros modelos, gracias a una clave API generada automáticamente. Una vez alcanzado el límite de tokens gratuitos, los usuarios pueden comprar fácilmente tokens adicionales para sus claves API a través de la pestaña "Comprar tokens".

No, los tokens no se deducen por solicitudes fallidas.

Los pagos se procesan a través de Stripe y admiten una variedad de métodos de pago que incluyen tarjetas de crédito, Google Pay y PayPal para su comodidad.

Sí, se emitirá una factura a la dirección de correo electrónico asociada a su cuenta de Stripe tras la compra de tokens.

DeepSearch es una API LLM que realiza búsquedas, lecturas y razonamientos iterativos hasta que encuentra una respuesta precisa a una consulta o alcanza su límite de presupuesto de tokens.

A diferencia de OpenAI y Gemini, DeepSearch se centra específicamente en brindar respuestas precisas mediante iteraciones en lugar de generar artículos extensos. Está optimizado para obtener respuestas rápidas y precisas a partir de búsquedas en la web profunda en lugar de crear informes completos.

Necesita una clave API de Jina. Ofrecemos 10 millones de tokens gratis para nuevas claves API.

Genera una respuesta final basada en todo el conocimiento acumulado, en lugar de simplemente darse por vencido o devolver una respuesta incompleta.

No. Si bien utiliza un proceso de búsqueda iterativo para mejorar la precisión, la evaluación muestra que logra una tasa de aprobación del 75 % en las preguntas de la prueba, significativamente mejor que la línea de base del 0 % (gemini-2.0-flash), pero no perfecta.

Varía significativamente: las consultas pueden requerir entre 1 y 42 pasos, con un promedio de 4 pasos según los datos de evaluación. Eso equivale a 20 segundos. Las consultas simples pueden resolverse rápidamente, mientras que las preguntas de investigación complejas pueden implicar muchas iteraciones y hasta 120 segundos.

Sí, la API oficial de DeepSearch en deepsearch.jina.ai/v1/chat/completions es totalmente compatible con el esquema de API de OpenAI, y utiliza "jina-deepsearch-v1" como nombre de modelo. Por lo tanto, es muy fácil cambiar de OpenAI a DeepSearch y usarla con clientes locales o cualquier cliente compatible con OpenAI. Recomendamos encarecidamente Chatwise para una experiencia perfecta.

Los límites de velocidad varían según el nivel de clave API y van desde 10 RPM hasta 30 RPM. Es importante tener esto en cuenta para aplicaciones con grandes volúmenes de consultas.

DeepSearch envuelve los pasos de pensamiento en etiquetas XML ... y proporciona la respuesta final después, siguiendo el formato de transmisión de OpenAI pero con estos marcadores especiales para la cadena de pensamientos.

Sí. Jina Reader se utiliza para búsquedas y lecturas web, lo que proporciona al sistema la capacidad de acceder y procesar contenido web de manera eficiente.

Sí, el uso de tokens de DeepSearch en consultas complejas es indiscutiblemente alto: un promedio de 70 000 tokens en comparación con los 500 para las respuestas LLM básicas. Esto demuestra la profundidad de la investigación, pero también tiene implicaciones de costos.

El sistema se controla principalmente por el presupuesto de tokens en lugar del conteo de pasos. Una vez que se excede el presupuesto de tokens, ingresa al modo Bestia para generar la respuesta final. Consulte reasoning_effort para obtener más detalles.

Las referencias se consideran tan importantes que si una respuesta se considera definitiva pero carece de referencias, el sistema continúa buscando en lugar de aceptar la respuesta.

Sí, pero con pasos de investigación extensos. El ejemplo de "quién será presidente en 2028" muestra que puede manejar preguntas especulativas a través de múltiples iteraciones de investigación, aunque no se garantiza la precisión de tales predicciones.

Zero-shot requiere etiquetas semánticas durante la clasificación y none durante el entrenamiento, mientras que few-shot requiere etiquetas durante el entrenamiento pero no en la clasificación. Esto significa que zero-shot es mejor para necesidades de clasificación flexibles e inmediatas, mientras que few-shot es mejor para categorías fijas y específicas del dominio que pueden evolucionar con el tiempo.

num_iters controla la intensidad del entrenamiento: los valores más altos refuerzan los ejemplos importantes, mientras que los valores más bajos minimizan el impacto de los datos menos confiables. Se puede utilizar para implementar el aprendizaje consciente del tiempo al otorgar a los ejemplos recientes un mayor número de iteraciones, lo que lo hace valioso para desarrollar patrones de datos.

Cualquiera que tenga el classifier_id puede usar clasificadores públicos, consumiendo su propia cuota de tokens. Los usuarios no pueden acceder a los datos de entrenamiento ni a la configuración, y no pueden ver las solicitudes de clasificación de otros, lo que permite compartir clasificadores de forma segura.

La clasificación de pocos disparos requiere de 200 a 400 ejemplos de entrenamiento para superar la clasificación de cero disparos. Si bien en última instancia logra una mayor precisión, necesita este período de calentamiento para volverse efectiva. La clasificación de cero disparos proporciona un rendimiento constante de inmediato sin datos de entrenamiento.

Sí, la API admite consultas multilingües mediante jina-embeddings-v3 y clasificación multimodal (texto/imagen) mediante jina-clip-v2 o jina-embeddings-v4, con soporte para URL o imágenes codificadas en base64 en la misma solicitud.

Zero-shot admite 256 clases sin límite de clasificadores, mientras que few-shot está limitado a 16 clases y 16 clasificadores. Ambos admiten 1024 entradas por solicitud y 8192 tokens por entrada.

El modo de pocos disparos permite la actualización continua a través del punto final /train para adaptarse a los patrones de datos cambiantes. Puede agregar nuevos ejemplos o clases de manera incremental cuando cambia la distribución de datos, sin tener que reconstruir todo el clasificador.

La API utiliza aprendizaje en línea de una sola pasada: los ejemplos de entrenamiento actualizan los pesos del clasificador, pero no se almacenan posteriormente. Esto significa que no se pueden recuperar datos de entrenamiento históricos, pero garantiza la privacidad y la eficiencia de los recursos.

Comience con el método zero-shot para obtener resultados inmediatos y cuando necesite una clasificación flexible con etiquetas semánticas. Cambie al método few-shot cuando tenga entre 200 y 400 ejemplos, necesite mayor precisión o necesite manejar datos específicos del dominio o sensibles al tiempo.

Sí, puede elegir entre jina-embeddings-v3 para la clasificación de texto (especialmente bueno para multilingües), jina-clip-v2 para la clasificación multimodal (89 idiomas) o jina-embeddings-v4 para la clasificación multimodal multilingüe universal.

La API de Segmenter es de uso gratuito. Si proporciona su clave API, podrá acceder a un límite de velocidad más alto y no se le cobrará por su clave.

Sin una clave API, puede acceder a la API de Segmenter con un límite de velocidad de 20 RPM.

Con una clave API, puede acceder a la API de Segmenter con un límite de velocidad de 200 RPM. Para los usuarios pagos premium, el límite de velocidad es de 1000 RPM.

No, su clave API solo se utiliza para acceder a un límite de velocidad más alto.

Sí, la API de Segmenter es multilingüe y admite más de 100 idiomas.

Las solicitudes GET se utilizan únicamente para contar la cantidad de tokens en un texto, lo que le permite integrarlo fácilmente como un contador en su aplicación. Las solicitudes POST admiten más parámetros y funciones, como devolver los primeros/últimos N tokens.

Puede enviar hasta 64k caracteres por solicitud.

La función de fragmentación segmenta documentos largos en fragmentos más pequeños según señales estructurales comunes, lo que garantiza una segmentación precisa del texto en fragmentos significativos. Básicamente, se trata de un patrón de expresiones regulares (¡grande!) que segmenta el texto según ciertas características sintácticas que suelen coincidir con los límites semánticos, como los finales de las oraciones, los saltos de párrafo, la puntuación y ciertas conjunciones. No se trata de fragmentación semántica. Esta expresión regular (grande) es tan potente como puede serlo dentro de las limitaciones de las expresiones regulares. Equilibra la complejidad y el rendimiento. Si bien la verdadera comprensión semántica no es posible con las expresiones regulares, se aproxima bien al contexto mediante señales estructurales comunes.

Si la entrada contiene tokens especiales, nuestra API Segmenter los colocará en el campo 'special_tokens'. Esto le permite identificarlos fácilmente y manejarlos como corresponde para sus tareas posteriores, por ejemplo, eliminarlos antes de introducir el texto en un LLM para evitar ataques de inyección.

Además de los idiomas occidentales, la fragmentación también funciona bien con el chino, el japonés y el coreano.

La función está actualmente en fase beta y cuesta 1 millón de tokens por modelo optimizado. Puedes usar tu clave API de la API de Integración/Reranking si tiene suficientes tokens, o crear una nueva clave API que incluye 10 millones de tokens gratuitos.

No es necesario proporcionar ningún dato de entrenamiento. Simplemente describa su dominio de destino (el dominio para el cual desea que se optimicen las incrustaciones ajustadas) en lenguaje natural, o use una URL como referencia, y nuestro sistema generará datos sintéticos para entrenar el modelo.

Unos 30 minutos.

Los modelos ajustados y los datos sintéticos se almacenan públicamente en el centro de modelos de Hugging Face.

El sistema utiliza la API Reader para recuperar el contenido de la URL. Luego analiza el contenido para resumir el tono y el dominio, que utiliza como pautas para generar datos sintéticos. Por lo tanto, la URL debe ser de acceso público y representativa del dominio de destino.

Sí, puede ajustar un modelo para un idioma distinto del inglés. El sistema detecta automáticamente el idioma de las instrucciones de su dominio y genera datos sintéticos en consecuencia. También recomendamos elegir el modelo base adecuado para el idioma de destino. Por ejemplo, si se dirige a un dominio alemán, debe seleccionar 'jina-embeddings-v2-base-de' como modelo base.

No, nuestra API de ajuste solo admite modelos Jina v2.

Al final del proceso de ajuste, el sistema evalúa el modelo utilizando un conjunto de pruebas disponible e informa las métricas de rendimiento. Recibirá un correo electrónico detallando el rendimiento antes y después de este equipo de prueba. También le recomendamos que evalúe el modelo en su propio equipo de prueba para garantizar su calidad.

El sistema genera datos sintéticos integrando la instrucción del dominio objetivo que usted proporciona con el razonamiento de los agentes de LLM. Produce tripletes negativos duros, que son esenciales para entrenar modelos de incrustación de alta calidad. Para obtener más detalles, consulte nuestro próximo artículo de investigación sobre Arxiv.

Actualmente no. Tenga en cuenta que esta función aún está en versión beta. Almacenar los modelos ajustados y los datos sintéticos públicamente en el centro de modelos de Hugging Face nos ayuda a nosotros y a la comunidad a evaluar la calidad de la capacitación. En el futuro, planeamos ofrecer una opción de almacenamiento privado.

Dado que todos los modelos ajustados se cargan en Hugging Face, puedes acceder a ellos a través de SentenceTransformers simplemente especificando el nombre del modelo.

Por favor revisa tu carpeta de spam. Si aún no puede encontrarlo, comuníquese con nuestro equipo de soporte utilizando la dirección de correo electrónico que proporcionó.