Elastic
Jina AI
Modelos
API
keyboard_arrow_down
Reader
Convierta cualquier URL a Markdown para un mejor anclaje de los LLM.
Embeddings
Embeddings multimodales y multilingües.
Reranker
Reranker para maximizar la relevancia de los resultados de búsqueda.
MCP
terminal
CLI
article
llms.txt
smart_toy
Agentes
data_object
Esquema
menu_book
Documentos
Acceso
login

Embeddings

Embeddings de contexto largo multilingües y multimodales de alto rendimiento para aplicaciones de búsqueda, RAG y agentes.

API de embedding

Pruebe nuestros modelos de embedding para mejorar sus sistemas de búsqueda y RAG. ¡Empiece con una prueba gratuita!
keyClave API y facturación
codeUso
more_horizMás
chevron_leftchevron_right
home
speedLímite de velocidad
bug_reportPlantear un problema
help_outlinePreguntas frecuentes
Estado
chevron_leftchevron_right
upload
Pedido
POST
curl "https://api.jina.ai/v1/embeddings" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $JINA_API_KEY" \
  -d @- <<EOFEOF
{
  "model": null,
  "normalized": true,
  "embedding_type": "float",
  "input": [
    text_fieldsclose"Organic skincare for sensitive skin with aloe vera and chamomile: Imagine the soothing embrace of na…ing, healthy complexion.",
    text_fieldsclose"Bio-Hautpflege für empfindliche Haut mit Aloe Vera und Kamille: Erleben Sie die wohltuende Wirkung u…einen strahlenden Teint.",
    text_fieldsclose"Cuidado de la piel orgánico para piel sensible con aloe vera y manzanilla: Descubre el poder de la n…el radiante y saludable.",
    text_fieldsclose"针对敏感肌专门设计的天然有机护肤产品：体验由芦荟和洋甘菊提取物带来的自然呵护。我们的护肤产品特别为敏感肌设计，温和滋润，保护您的肌肤不受刺激。让您的肌肤告别不适，迎来健康光彩。",
    text_fieldsclose"新しいメイクのトレンドは鮮やかな色と革新的な技術に焦点を当てています: 今シーズンのメイクアップトレンドは、大胆な色彩と革新的な技術に注目しています。ネオンアイライナーからホログラフィックハイライターまで、クリエイティビティを解き放ち、毎回ユニークなルックを演出しましょう。"
    + agregar entrada
  ]
}
EOFEOF

v5-omni: Un solo embedding para todo

Texto, imagen, audio, vídeo: un único espacio de embedding compartido, dos tamaños. v5-omni-small (1,6B) es el modelo omni de pesos abiertos con mejor rendimiento por debajo de 2B parámetros. v5-omni-nano (0,9B) ofrece una recuperación competitiva con menos de 1B. Ambos son compatibles byte a byte con v5-text; no se requiere reindexación.
Leer la nota de lanzamientoarrow_forward

v5-text: Nuevos embeddings multilingües pequeños SOTA

jina-embeddings-v5-text ofrece calidad de embedding de quinta generación en dos tamaños eficientes (un modelo pequeño de 677 M y un modelo nano de 239 M) con adaptadores LoRA específicos para cada tarea, dimensiones Matryoshka, contexto de 32 K y cuantificación GGUF/MLX para implementación en el borde, lo que establece nuevos puntos de referencia en MMTEB, MTEB English y tareas de recuperación.
Leer la nota de lanzamientoarrow_forward

Dos formas de comprar

Suscríbete a nuestra API o compra a través de proveedores de la nube.
radio_button_unchecked
cloud
Con 3 proveedores de servicios en la nube
¿Utiliza su empresa AWS o Azure? Puede desplegar nuestros modelos directamente en la plataforma de nube de su empresa y gestionar la facturación a través de la cuenta CSP.
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
radio_button_checked
Con la API de Jina Search Foundation
La forma más sencilla de acceder a todos nuestros productos. Recargue tokens a medida que avanza.
Recargue esta clave API con más tokens
Dependiendo de su ubicación, es posible que se le cobre en USD, EUR u otras monedas. Se pueden aplicar impuestos.
Ingrese la clave API correcta para recargar
Entender el límite de velocidad
Los límites de velocidad son la cantidad máxima de solicitudes que se pueden realizar a una API en un minuto por dirección IP/clave API (RPM). Conoce más sobre los límites de velocidad de cada producto y nivel a continuación.
keyboard_arrow_down
Límite de velocidad
Los límites de velocidad se controlan de dos maneras: RPM (solicitudes por minuto) y TPM (tokens por minuto). Los límites se aplican por IP/clave API y se activan cuando se alcanza primero el umbral de RPM o TPM. Al proporcionar una clave API en el encabezado de la solicitud, controlamos los límites de velocidad por clave, no por dirección IP.
ProductoPunto final de APIDescripciónarrow_upwardSin clave APIkey_offcon clave API gratuitakeycon clave API de pagokeycon clave API PremiumkeyLatencia mediaRecuento de uso de tokensSolicitud permitida
API de Readerhttps://r.jina.aiConvertir la URL en texto compatible con LLM20 RPM500 RPM500 RPMtrending_up5000 RPM7.9sContar el número de tokens en la respuesta de salida.GET/POST
API de Readerhttps://s.jina.aiBuscar en la web y convertir los resultados en texto compatible con LLMblock100 RPM100 RPMtrending_up1000 RPM2.5sCada solicitud cuesta una cantidad fija de tokens, a partir de 10000 tokensGET/POST
API de embeddinghttps://api.jina.ai/v1/embeddingsConvertir texto/imágenes en vectores de longitud fijablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
depende del tamaño de entrada
help
Contar el número de tokens en la solicitud de entrada.POST
API de Rerankerhttps://api.jina.ai/v1/rerankReordenar documentos según la consultablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
depende del tamaño de entrada
help
Contar el número de tokens en la solicitud de entrada.POST

Implementación local

Implemente modelos de Jina Embeddings en AWS SageMaker y Microsoft Azure, y pronto en Google Cloud Services, o comuníquese con nuestro equipo de ventas para obtener implementaciones personalizadas de Kubernetes para su nube privada virtual y servidores locales.
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
Integraciones API
Nuestra API de embedding está integrada de forma nativa con varias bases de datos, almacenes de vectores, marcos RAG y LLMOps de renombre. Para comenzar, simplemente copie y pegue su clave API en cualquiera de las integraciones enumeradas para un comienzo rápido y sin problemas.
Tienda de vectores
LLMOps
RAG
Observabilidad
open_in_new
MongoDB
open_in_new
DataStax
open_in_new
Qdrant
open_in_new
Pinecone
open_in_new
Chroma
open_in_new
Weaviate
open_in_new
Milvus
open_in_new
Epsilla
open_in_new
MyScale
open_in_new
LlamaIndex
open_in_new
Haystack
open_in_new
Langchain
open_in_new
Dify
open_in_new
SuperDuperDB
open_in_new
DashVector
open_in_new
Portkey
open_in_new
Baseten
open_in_new
TiDB
open_in_new
LanceDB
open_in_new
Carbon

Nuestras Publicaciones

Entienda cómo entrenamos nuestros modelos de búsqueda de frontera desde cero y mire nuestras últimas publicaciones. ¡Conoce a nuestro equipo en EMNLP, SIGIR, ICLR, NeurIPS e ICML!
arXiv
julio 20, 2026
jina-reranker-v3.5: An Efficient Listwise Reranker with Hybrid Attention and Self-Distillation
SIGIR 2026
mayo 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
SIGIR 2026
febrero 17, 2026
jina-embeddings-v5-text: Task-Targeted Embedding Distillation
ICLR 2026
enero 22, 2026
Embedding Compression via Spherical Coordinates
arXiv
diciembre 29, 2025
Vision Encoders in Vision-Language Models: A Survey
ICLR 2026
diciembre 04, 2025
Jina-VLM: Small Multilingual Vision Language Model
AAAI 2026
octubre 01, 2025
jina-reranker-v3: Last but Not Late Interaction for Document Reranking
NeurIPS 2025
agosto 31, 2025
Efficient Code Embeddings from Code Generation Models
EMNLP 2025
junio 24, 2025
jina-embeddings-v4: Universal Embeddings for Multimodal Multilingual Retrieval
ICLR 2025
marzo 04, 2025
ReaderLM-v2: Small Language Model for HTML to Markdown and JSON
ACL 2025
diciembre 17, 2024
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
ICLR 2025
diciembre 12, 2024
jina-clip-v2: Multilingual Multimodal Embeddings for Text and Images
ECIR 2025
septiembre 18, 2024
jina-embeddings-v3: Multilingual Embeddings With Task LoRA
SIGIR 2025
septiembre 07, 2024
Late Chunking: Contextual Chunk Embeddings Using Long-Context Embedding Models
EMNLP 2024
agosto 30, 2024
Jina-ColBERT-v2: A General-Purpose Multilingual Late Interaction Retriever
WWW 2025
junio 21, 2024
Leveraging Passage Embeddings for Efficient Listwise Reranking with Large Language Models
ICML 2024
mayo 30, 2024
Jina CLIP: Your CLIP Model Is Also Your Text Retriever
arXiv
febrero 26, 2024
Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings
arXiv
octubre 30, 2023
Jina Embeddings 2: 8192-Token General-Purpose Text Embeddings for Long Documents
EMNLP 2023
julio 20, 2023
Jina Embeddings: A Novel Set of High-Performance Sentence Embedding Models
20 publicaciones en total.

Aprendiendo sobre embeddings

¿Por dónde empezar con los embeddings? Le tenemos cubierto. Aprenda sobre los embeddings desde cero con nuestra guía completa.
mayo 12, 2026 • 7 minutos de lectura
jina-embeddings-v5-omni: Embeddings for Text, Image, Audio and Video
One model, four modalities: text, image, audio, video. Best-in-class omni embeddings in 1.6B and 0.9B.
Han Xiao
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
mayo 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
We introduce GELATO (Geometry-preserving Embeddings via Locked Aligned TOwers), a novel approach to multimodal embedding models. We build on the VLM-style architecture, in which non-text encoders are adapted to produce input for a language model, which in turn generates embeddings for all varieties of input. GELATO extends the two Jina Embeddings v5 Text models to support additional modality by adding encoders for images and audio. The backbone text embedding models and the added non-text modality encoders remain frozen. We only trained the connecting components, representing 0.35% of the total weights of the joint model. Additionally, the language model remains effectively unaltered, producing exactly the same embeddings for text inputs as the Jina Embeddings v5 Text models. The resulting jina-embeddings-v5-omni suite encodes text, image, audio, and video into a single semantic embedding space, yielding nearly equal performance to larger multimodal embedding models.
Abstract illustration of a sound wave or heartbeat, formed by blue, orange, and gray dots on a white background.
marzo 11, 2026 • 7 minutos de lectura
Bootstrapping Audio Embeddings from Multimodal LLMs
Turn any multimodal LLM into a small audio embedding model that beats CLAP with 25x less data.
Han Xiao
Fingerprint illustration made from numbers, showcasing digital and high-tech design on a light background.
marzo 06, 2026 • 6 minutos de lectura
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.
Han Xiao

Comparación de Reranker, Vector Search y BM25

La siguiente tabla proporciona una comparación completa de Reranker, Vector/Embeddings Search y BM25, destacando sus fortalezas y debilidades en varias categorías.
RerankerBúsqueda de vectoresBM25
Mejor paraPrecisión y relevancia de búsqueda mejoradasFiltrado inicial y rápidoRecuperación de texto general en consultas de amplio alcance
GranularidadDetallado: subdocumento y segmento de consultaAmplio: documentos completosIntermedio: varios segmentos de texto
Complejidad del tiempo de consultaAltoMedioBajo
Complejidad del tiempo de indexaciónNo requeridoAltoBajo, utiliza índice prediseñado
Complejidad del tiempo de entrenamientoAltoAltoNo requerido
Calidad de búsquedaSuperior para consultas matizadasEquilibrado entre eficiencia y precisiónConsistente y confiable para un amplio conjunto de consultas
FortalezasAltamente preciso con una profunda comprensión contextual.Rápido y eficiente, con precisión moderada.Altamente escalable, con eficacia establecida
Pruebe la API de reranker gratisPruebe la API de embedding gratis

La evolución de los embeddings Póster

Descubra el póster ideal para su espacio, con infografías cautivadoras o imágenes impresionantes que rastrean la evolución de los modelos de embedding de texto desde 1950.
Aprenda cómo lo hicimos
shopping_cartCompre una copia impresa

Preguntas frecuentes

¿Cómo se entrenaron los modelos de embedding de Jina?
keyboard_arrow_down
Para obtener información detallada sobre nuestros procesos de entrenamiento, fuentes de datos y evaluaciones, consulte los informes técnicos en arXiv. Los modelos de texto jina-embeddings-v5 se entrenan en dos etapas: destilación de embeddings a partir de un modelo maestro más grande, seguida del entrenamiento del adaptador LoRA específico para la tarea sobre pesos de la estructura base congelados. Las variantes multimodales v5-omni añaden una tercera etapa que entrena solo proyectores multimodales, dejando la estructura base del texto y los adaptadores congelados.
launcharXiv
¿Cuáles son sus modelos de embedding multimodal?
keyboard_arrow_down
jina-embeddings-v5-omni-small (~1,74B parámetros, 1024 dimensiones, 32K contexto) y jina-embeddings-v5-omni-nano (~1,04B parámetros, 768 dimensiones, 8K contexto) son nuestros modelos multimodales actuales. Aceptan texto, imágenes, audio, vídeo y PDF en un espacio vectorial compartido, por lo que puede indexar en una modalidad y consultar en otra sin reindexar. Su salida de solo texto es idéntica a jina-embeddings-v5-text-small y jina-embeddings-v5-text-nano respectivamente, lo que significa que puede agregar entrada multimodal a un índice de texto existente sin volver a incrustarlo. jina-clip-v2 (865M parámetros) sigue disponible como una opción más ligera de texto e imagen.
launcharXiv
¿Qué idiomas admiten sus modelos?
keyboard_arrow_down
Todos los modelos lanzados desde 2024 son multilingües. Los modelos jina-embeddings-v5-text-small y v5-omni se basan en una arquitectura Qwen3 con amplia cobertura multilingüe; jina-embeddings-v5-text-nano se basa en EuroBERT-210M, que cubre 15 idiomas europeos y globales importantes, incluidos inglés, francés, alemán, español, chino, japonés, árabe e hindi. jina-embeddings-v3 y jina-clip-v2 admiten 89 idiomas. Para obtener cifras de referencia por idioma, consulte los resultados de MMTEB en el informe técnico de cada modelo.
launcharXiv
¿Cuál es la longitud máxima del contexto para una sola entrada?
keyboard_arrow_down
La longitud del contexto varía según el modelo: jina-embeddings-v5-text-small y jina-embeddings-v5-omni-small admiten hasta 32.768 tokens, mientras que jina-embeddings-v5-text-nano y jina-embeddings-v5-omni-nano admiten 8.192 tokens. jina-embeddings-v4 y los modelos jina-code-embeddings admiten 32.768 tokens; jina-embeddings-v3, jina-clip-v2 y jina-colbert-v2 admiten 8.192 tokens. Las entradas que superen el límite devuelven un error a menos que establezca truncate: true.
¿Cuál es el número máximo de entradas que puedo incluir en una sola solicitud?
keyboard_arrow_down
No existe un límite estricto en la cantidad de elementos por solicitud. La API agrupa internamente las entradas según el número de tokens para optimizar el uso de la GPU, por lo que puede enviar tantos textos o imágenes como necesite en una sola solicitud. Los archivos PDF son la excepción: envíe un PDF por solicitud.
¿Cómo puedo enviar imágenes, audio, vídeo o archivos PDF a los modelos multimodales?
keyboard_arrow_down
Pase un objeto tipado en el array input usando una clave image, audio, video o pdf, cuyo valor es una URL pública o bytes codificados en base64. El modelo dirige cada modalidad al codificador apropiado, y puede combinar modalidades libremente dentro de un mismo lote. Los formatos de audio compatibles incluyen WAV, MP3, FLAC, OGG, M4A y Opus; el vídeo se procesa como 32 fotogramas muestreados uniformemente. Los PDF deben enviarse uno por solicitud.
¿Cómo se comparan los embeddings de Jina con los últimos modelos de OpenAI, Cohere y Voyage?
keyboard_arrow_down
jina-embeddings-v5-text-small (677M parámetros) es el modelo más fuerte con 1B parámetros en MMTEB, con una puntuación promedio de 67,0 a nivel de tarea, y alcanza un promedio de 71,7 en MTEB en inglés. jina-embeddings-v5-text-nano (239M parámetros) obtiene una puntuación de 65,5 en MMTEB, por delante de todos los modelos que evaluamos con 500M parámetros. Nuestro objetivo de diseño es la capacidad por parámetro en lugar del tamaño bruto, por lo que estos modelos son más económicos de implementar que la mayoría de las alternativas con una calidad de recuperación comparable o mejor. Todos los modelos v5 admiten Matryoshka Representation Learning, por lo que puede truncar las dimensiones hasta 32 sin volver a entrenar.
¿Qué tan fluida es la transición de text-embedding-3-large de OpenAI a su solución?
keyboard_arrow_down
La transición es sencilla: nuestro endpoint de API coincide con los esquemas JSON de entrada y salida de text-embedding-3-large de OpenAI, por lo que en la mayoría de las bases de código solo se cambia la URL base, la clave API y el nombre del modelo. Lo mismo ocurre con los contenedores Jina On-Prem, que además exponen los esquemas de Elastic Inference Service (EIS), Cohere, Voyage AI y Gemini, por lo que los modelos Jina son un reemplazo directo en las rutas de código existentes. Tenga en cuenta que los embeddings de diferentes familias de modelos no son comparables, por lo que debe volver a incrustar su corpus en lugar de mezclar vectores de dos proveedores en un índice. Para los contenedores On-Prem, póngase en contacto con Elastic Sales.
¿Cómo se calculan los tokens para imágenes y otras entradas que no sean de texto?
keyboard_arrow_down
El texto se contabiliza de la forma estándar. Las entradas que no son de texto se convierten en tokens mediante el codificador correspondiente, y el coste depende en gran medida del modelo que se utilice, por lo que conviene medir con las propias entradas en lugar de hacer suposiciones. Como referencia, una imagen de 600x600 píxeles cuesta aproximadamente: • jina-embeddings-v5-omni-small: ~363 tokens • jina-embeddings-v5-omni-nano: ~362 tokens • jina-embeddings-v4: ~4840 tokens • jina-clip-v2: ~16 000 tokens Los modelos v5-omni son entre uno y dos órdenes de magnitud más económicos por imagen que los modelos anteriores. Cada respuesta incluye un objeto usage con el recuento exacto de tokens para esa solicitud, incluyendo un desglose de image_tokens para entradas multimodales, para que pueda verificar el costo por llamada.
¿Ofrecen modelos para insertar imágenes, audio o vídeo?
keyboard_arrow_down
Sí. jina-embeddings-v5-omni-small y jina-embeddings-v5-omni-nano incrustan texto, imágenes, audio, vídeo y PDF en un único espacio vectorial compartido. jina-embeddings-v4 y jina-clip-v2 manejan texto e imágenes.
¿Es posible ajustar los modelos de embedding de Jina con datos privados o de la empresa?
keyboard_arrow_down
Existen dos opciones. La primera es la API de ajuste fino, que genera datos de entrenamiento sintéticos a partir de la descripción de su dominio y devuelve un modelo ajustado, sin necesidad de que cree un conjunto de datos etiquetados. Para el ajuste fino de datos propietarios bajo un acuerdo comercial, en infraestructura dedicada o en un modelo que no se encuentra en el selector de modelos base, póngase en contacto con Elastic Sales; dicho trabajo se define y contrata a través de Elastic.
Contacto
¿Se pueden alojar los modelos de forma privada, en mi propia infraestructura o en mi propia cuenta en la nube?
keyboard_arrow_down
Sí, de dos maneras. Los modelos Jina están disponibles en los marketplaces de AWS, Azure y GCP, por lo que puede implementarlos en su propia cuenta en la nube. Para infraestructuras autogestionadas, locales o aisladas, Elastic vende una licencia comercial llamada Jina On-Prem, disponible desde el 10 de agosto de 2026, que incluye los modelos como contenedores Docker totalmente offline, sin llamadas externas ni servidor de licencias. Para obtener un presupuesto para cualquiera de las dos opciones, póngase en contacto con Elastic Sales.
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
¿Qué es el parámetro 'tarea' y cuándo debo usarlo?
keyboard_arrow_down
El parámetro task selecciona un adaptador LoRA específico para la tarea para un rendimiento óptimo. Utilice retrieval.query para consultas de búsqueda, retrieval.passage para documentos que se buscan, text-matching para similitud simétrica como detección de duplicados o paráfrasis, classification para categorización y separation para agrupamiento. La recuperación es asimétrica, por lo que usar el lado incorrecto del par consulta/pasaje degrada notablemente los resultados. El parámetro es compatible con jina-embeddings-v5, jina-embeddings-v4 y jina-embeddings-v3.
¿Qué es la recuperación de interacción tardía y qué modelos la admiten?
keyboard_arrow_down
La interacción tardía mantiene vectores a nivel de token en lugar de colapsar un documento en un solo vector, lo que preserva detalles finos a costa de un índice más grande. jina-embeddings-v4 admite salida densa (vector único) e interacción tardía (múltiples vectores) a través del parámetro output_type, y jina-colbert-v2 es un modelo dedicado a la interacción tardía. Para la mayoría de los pipelines de recuperación, un modelo v5 denso seguido de un reranker ofrece una mejor relación precisión/costo.
¿Qué es la segmentación tardía y cuándo debo utilizarla?
keyboard_arrow_down
La segmentación tardía primero integra todo el documento con un modelo de contexto extenso y luego deriva las representaciones de los fragmentos a partir de las representaciones a nivel de token. A diferencia de la segmentación ingenua, que integra cada fragmento de forma aislada, la segmentación tardía conserva el contexto entre fragmentos, lo que mejora la calidad de la recuperación en los pipelines RAG donde un fragmento hace referencia a algo definido anteriormente en el documento. Habilítela con el parámetro late_chunking.
¿Por qué la API impone una longitud de contexto diferente a la que admite el modelo?
keyboard_arrow_down
Algunos modelos son capaces de manejar contextos más largos de lo que acepta la API alojada. Las secuencias muy largas consumen una cantidad considerable de memoria de GPU, y ajustamos la configuración del servidor para equilibrar el rendimiento, la latencia y el costo en la mayoría de los casos de uso. Si necesita la longitud completa del contexto arquitectónico, ejecute el modelo usted mismo: póngase en contacto con Elastic Sales para obtener información sobre una implementación autogestionada.
¿Por qué jina-embeddings-v4 es gratuito y por qué es lento?
keyboard_arrow_down
jina-embeddings-v4 se basa en el modelo base Qwen2-VL, publicado bajo la Licencia de Investigación Qwen, que permite únicamente investigación y uso no comercial. Por lo tanto, no podemos licenciarlo comercialmente y lo proporcionamos de forma gratuita a través de la API. También es un modelo de 3,8 mil millones de parámetros, por lo que es inherentemente más lento por solicitud, y limitamos su rendimiento para gestionar los costos de infraestructura. No es adecuado para cargas de trabajo de producción, y por la misma razón no se ofrece a través del Servicio de Inferencia Elástica ni como parte de Jina On-Prem. Para uso en producción, utilice la familia jina-embeddings-v5: es más rápido, tiene un mejor rendimiento en las pruebas de recuperación y se puede licenciar para uso comercial a través de Elastic Sales.
¿Cuáles son los límites de velocidad para la API de embeddings?
keyboard_arrow_down
Los límites de velocidad dependen del tipo de clave API:

Gratis: 100 RPM, 100K TPM
De pago: 500 RPM, 2M TPM
Premium: 5.000 RPM, 50M TPM

Existe un límite adicional basado en IP de 10.000 solicitudes cada 60 segundos para evitar abusos. Los límites se aplican por clave y se cuentan en una ventana de 60 segundos, por lo que las ráfagas se suavizan en lugar de ponerse en cola; una solicitud que supere el límite devuelve HTTP 429 y debe reintentarse con retroceso exponencial. Si necesita límites más allá del nivel Premium, o capacidad dedicada sin ningún límite de inquilino compartido, póngase en contacto con Elastic Sales.
¿Qué modelo de embedding debo elegir?
keyboard_arrow_down
Comience con jina-embeddings-v5-text-small para la recuperación de texto: es el modelo sub-1B más robusto que ofrecemos y maneja 32K de contexto. Cambie a jina-embeddings-v5-text-nano cuando la latencia, el costo o el hardware de borde sean más importantes que el último punto de precisión. Use jina-embeddings-v5-omni-small o v5-omni-nano cuando se trate de imágenes, audio, vídeo o PDF; su salida de texto es idéntica al modelo de texto correspondiente, por lo que puede agregar modalidades a un índice existente sin volver a incrustar. Use jina-code-embeddings-0.5b o 1.5b para el código fuente. Dentro de una familia, cuanto más reciente, mejor.
¿Cuáles son los límites de tamaño de archivo para imágenes y archivos PDF?
keyboard_arrow_down
El tamaño máximo de archivo es de 5 MB para imágenes y 8 MB para archivos PDF. Los archivos de mayor tamaño serán rechazados con un error.

¿Cómo obtener mi clave API?

video_not_supported

¿Cuál es el límite de velocidad?

Límite de velocidad
Los límites de velocidad se controlan de dos maneras: RPM (solicitudes por minuto) y TPM (tokens por minuto). Los límites se aplican por IP/clave API y se activan cuando se alcanza primero el umbral de RPM o TPM. Al proporcionar una clave API en el encabezado de la solicitud, controlamos los límites de velocidad por clave, no por dirección IP.
ProductoPunto final de APIDescripciónarrow_upwardSin clave APIkey_offcon clave API gratuitakeycon clave API de pagokeycon clave API PremiumkeyLatencia mediaRecuento de uso de tokensSolicitud permitida
API de Readerhttps://r.jina.aiConvertir la URL en texto compatible con LLM20 RPM500 RPM500 RPMtrending_up5000 RPM7.9sContar el número de tokens en la respuesta de salida.GET/POST
API de Readerhttps://s.jina.aiBuscar en la web y convertir los resultados en texto compatible con LLMblock100 RPM100 RPMtrending_up1000 RPM2.5sCada solicitud cuesta una cantidad fija de tokens, a partir de 10000 tokensGET/POST
API de embeddinghttps://api.jina.ai/v1/embeddingsConvertir texto/imágenes en vectores de longitud fijablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
depende del tamaño de entrada
help
Contar el número de tokens en la solicitud de entrada.POST
API de Rerankerhttps://api.jina.ai/v1/rerankReordenar documentos según la consultablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
depende del tamaño de entrada
help
Contar el número de tokens en la solicitud de entrada.POST

¿Necesito una licencia comercial?

Autocomprobación de licencia CC BY-NC
play_arrow
¿Está utilizando nuestra API alojada o nuestras imágenes oficiales en Azure, AWS o GCP?
play_arrow
Sí
No se requiere licencia adicional. El uso comercial está cubierto por los términos del servicio: regístrese y pague a través de este sitio web o del mercado en la nube.
play_arrow
No
play_arrow
¿Usa usted mismo los pesos del modelo en un producto o servicio comercial?
play_arrow
No
No es necesario comprar nada. Se permite la descarga, evaluación, comparación y uso para investigación bajo todas las licencias con las que publicamos, con la debida atribución.
play_arrow
Sí
play_arrow
¿Qué licencia tiene la modelo? Se indica en su página de Hugging Face.
play_arrow
Apache-2.0
Apache 2.0 permite el uso comercial. No es necesario comprar nada. Esto cubre nuestros modelos de generaciones anteriores v1 y v2.
play_arrow
CC BY-NC 4.0
Necesita una licencia comercial. Desde el 10 de agosto de 2026, Elastic vende una para los modelos Jina como su propio producto, llamado Jina On-Prem. Cubre implementaciones autogestionadas, locales y aisladas de la red, y no requiere una suscripción a Elasticsearch.
Si ya es cliente de Elastic, su equipo de cuentas puede añadirlo a su contrato actual.
Póngase en contacto con el departamento de ventas de Elastic
play_arrow
Licencia de investigación de Qwen
Una licencia de investigación no permite el uso comercial, y una licencia comercial para nuestros otros modelos no se extiende a este. No existe una opción comercial para este modelo, ni para su alojamiento propio ni a través de la API. Elija un modelo con una de las otras dos licencias.
Preguntas comunes relacionadas con API
code
¿Puedo usar la misma clave API en todas las API de Jina?
keyboard_arrow_down
Sí. Una clave API es válida para todos los productos de la plataforma de búsqueda Jina AI, incluidas las API de Reader, Embeddings, Reranker, Classifier y Segmenter, y los tokens se comparten entre todos ellos.
code
¿Puedo monitorear el uso del token de mi clave API?
keyboard_arrow_down
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".
code
¿Qué debo hacer si olvido mi clave API?
keyboard_arrow_down
Si ha perdido una clave recargada y desea recuperarla, escriba a support AT jina.ai desde su correo electrónico registrado para recibir asistencia. Se recomienda iniciar sesión para mantener su clave API almacenada de forma segura y de fácil acceso.
Contacto
code
¿Caducan las claves API?
keyboard_arrow_down
No, nuestras claves API no tienen fecha de caducidad. Si una clave se ve comprometida, revócala en el panel de administración de claves API; el cambio surtirá efecto de inmediato. Emite primero una clave de reemplazo si desea evitar el tiempo de inactividad. Cualquier saldo de tokens restante permanece en su cuenta y no en la clave revocada. Si no puede acceder al panel de control o crea que la cuenta está comprometida, comunícate con el Soporte de Elastic.
Contacto
code
¿Puedo transferir tokens entre claves API?
keyboard_arrow_down
Sí, puede transferir tokens de una clave premium a otra. Después de iniciar sesión en su cuenta en el panel de administración de claves API, use la configuración de la clave que desea transferir para mover todos los tokens pagos restantes.
code
¿Puedo revocar mi clave API?
keyboard_arrow_down
Sí, puede revocar su clave API si crea 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, tiene la opción de transferir el saldo restante pagado a otra clave antes de la revocación. Tenga en cuenta que esta acción no se puede deshacer. Para revocar una clave, vaya a la configuración de claves en el panel de control de administración de claves API.
code
¿Por qué la primera solicitud de algunos modelos es lenta?
keyboard_arrow_down
Esto se debe a que nuestra arquitectura sin servidor retira 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.
code
¿Se utilizan mis datos de API para entrenar sus modelos?
keyboard_arrow_down
No. Nunca utilizamos sus solicitudes a la API, entradas o salidas para entrenar nuestros modelos de embedding, reranker u otros modelos. Sus datos siguen siendo suyos.
code
¿Cuáles son los límites de velocidad para las API de Jina?
keyboard_arrow_down
Se aplican límites de velocidad por clave API:

Gratis: 100 RPM, 100K TPM
De pago: 500 RPM, 2M TPM
Premium: 5.000 RPM, 50M TPM

También hay un límite basado en IP de 10.000 solicitudes cada 60 segundos. Los límites varían según el punto final; consulte la tabla de límites de velocidad anterior para obtener las cifras por punto final.
code
¿Existen límites de tamaño de lote para las API?
keyboard_arrow_down
No hay límite de tamaño de lote ni para la API de Embeddings ni para la de Reranker. 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.
code
¿Las API de Jina son lo mismo que los modelos de Jina dentro de Elastic?
keyboard_arrow_down
No, son tres rutas separadas. Las API de Jina en este sitio son de autoservicio y de pago por uso con una clave de API de Jina. El Servicio de Inferencia Elástica (EIS) ejecuta modelos de Jina dentro de Elastic Cloud, facturado a través de su suscripción a Elastic, sin infraestructura que tenga que administrar. Jina On-Prem es una licencia comercial, vendida por Elastic como su propio SKU desde el 10 de agosto de 2026, para ejecutar los modelos en su propia infraestructura autogestionada, local o aislada. Para las rutas EIS y On-Prem, comuníquese con Ventas de Elastic.
Preguntas comunes relacionadas con la facturación
attach_money
¿La facturación se basa en el número de oraciones o solicitudes?
keyboard_arrow_down
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.
attach_money
¿Hay una prueba gratuita disponible para nuevos usuarios?
keyboard_arrow_down
Sí. Los nuevos usuarios reciben una clave API generada automáticamente con tokens gratuitos que pueden usar en cualquiera de nuestros modelos. Una vez que se agoten los tokens gratuitos, pueden comprar tokens adicionales para la clave en la pestaña "Comprar tokens".
attach_money
¿Se cobran tokens por solicitudes fallidas?
keyboard_arrow_down
No, los tokens no se deducen por solicitudes fallidas.
attach_money
¿Qué métodos de pago se aceptan?
keyboard_arrow_down
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.
attach_money
¿Está disponible la facturación para compras de tokens?
keyboard_arrow_down
Para las compras de tokens de autoservicio, Stripe emite una factura a la dirección de correo electrónico asociada a su cuenta de Stripe en el momento de la compra. Si necesita una orden de compra formal, un contrato negociado, documentación de adquisición o facturación consolidada, que se gestione a través de Elastic en lugar de Stripe, póngase en contacto con Elastic Sales.
attach_money
¿Cómo puedo comprar una licencia comercial en lugar de tokens API?
keyboard_arrow_down
Las compras de tokens en este sitio cubren el uso de las API de Jina alojadas. No otorgan licencia para ejecutar los pesos del modelo en su propia infraestructura. Para ello, Elastic vende una licencia comercial como su propio SKU desde el 10 de agosto de 2026, con un precio anual en lugar de por token. Contacte con Elastic Sales para obtener un presupuesto.
attach_money
¿Puedo pagar con factura o con orden de compra en lugar de con tarjeta?
keyboard_arrow_down
Las compras de tokens de autoservicio se procesan a través de Stripe y se facturan automáticamente al correo electrónico de su cuenta de Stripe. Para órdenes de compra, procesos de adquisición o volúmenes que superen lo que admite la recarga de autoservicio, póngase en contacto con Elastic Sales.
attach_money
Realicé el pago, pero mi saldo o límite de velocidad no ha cambiado. ¿Qué debo revisar?
keyboard_arrow_down
El saldo y los límites de tarifa pertenecen a una clave API, no a la cuenta, por lo que lo primero que debe verificar es la clave en sí, en lugar de la página de la cuenta: introdúzcala en la pestaña Clave API y facturación y confirme el saldo y el nivel allí. Si la cuenta tiene más de una clave, los tokens están en la clave que se recargó, que puede no ser la clave que envía su aplicación. Un nuevo nivel también puede tardar un poco en propagarse después del pago. Si la clave muestra el saldo pero sigue limitada al nivel anterior, póngase en contacto con el soporte técnico.
attach_money
¿Cómo puedo cancelar, detener la recarga automática o eliminar un método de pago guardado?
keyboard_arrow_down
La facturación de autoservicio se gestiona desde el portal del cliente, al que se accede a través de la pestaña Clave API y Facturación. Allí se puede desactivar la recarga automática y eliminar los métodos de pago guardados. Al desactivar la recarga automática, se detienen los cargos futuros, pero el saldo ya comprado permanece disponible. Si también desea eliminar la cuenta y sus datos, o solicitar un reembolso, envíe su solicitud al servicio de asistencia. La eliminación de la cuenta se realiza manualmente y tarda algunos días hábiles. Recibirá una confirmación por escrito una vez finalizado el proceso.
Idioma / tema actual
Search Foundation
Reader
Embeddings
Reranker
Obtener la clave API de Jina
Límite de velocidad
Sobre nosotros
Noticias
Descargar el logotipo de Jina
open_in_new
Descargar el logotipo de Elastic
open_in_new
Estado de la API
Elastic © 2026.SeguridadTérminos y condicionesPrivacidadAdministrar cookiesNo venda ni comparta mi información personal.
Este sitio web y su contenido, software, productos y servicios asociados están destinados exclusivamente a un uso profesional. El uso por parte de consumidores no está previsto ni dirigido.