Contatta le vendite

Sì. Jina sta diventando un marchio modello. Pensate a Qwen in Alibaba, a GPT in OpenAI o a Kimi in Moonshot. Cambieremo gradualmente l'identità legale dell'azienda da "Jina AI" a Elastic, consentendo a Jina AI di concentrarsi esclusivamente sui modelli di base della ricerca come marchio.

Embedding, algoritmi di riordinamento e modelli linguistici compatti per una ricerca migliore. La nostra missione non è ancora compiuta: non abbiamo mai nascosto il nostro obiettivo, ovvero diventare un fornitore leader di modelli di ricerca.

Sì. Le API Reader, Embedding e Reranker continueranno a essere sviluppate e gestite. Per ogni modello che rilasceremo, lo pubblicheremo anche sulle piattaforme cloud marketplace. Puoi continuare a utilizzare i nostri servizi API come prima. L'unica eccezione è che non possiamo servire entità o Paesi soggetti ai controlli sulle esportazioni degli Stati Uniti.

Sì. In Elastic, Jina continuerà a spingere i confini dei modelli di base della ricerca e continueremo a rilasciare modelli open-weight.

Continueremo a rilasciare con licenza CC-BY-NC 4.0, a meno che le circostanze non cambino, il che è improbabile.

Sì. Ogni modello che pubblicheremo sarà supportato da un documento rigoroso e continueremo a inviarlo a conferenze di alto livello come ICLR, EMNLP, SIGIR, NeurIPS e ICML.

Basta registrarsi e pagare tramite il nostro sito web o il marketplace cloud di riferimento, proprio come prima.

Attualmente, i nostri prodotti non fanno parte degli SKU di Elastic, quindi sarà comunque necessario pagare tramite il nostro sito web per accedere a questi servizi. Prossimamente, i modelli Jina saranno disponibili tramite Elastic Inference Service.

Contatta il tuo rappresentante di vendita Elastic o il tuo Field SE: si coordineranno con noi per confermare se l'utilizzo commerciale in loco è coperto dalla tua licenza Elastic.

Poiché stiamo attualmente integrando Elastic, il percorso da seguire diventerà presto più chiaro. Per ora, non siamo in grado di rilasciare contratti di licenza commerciale autonomi per i nostri modelli.

Non abbiamo una persona giuridica cinese, quindi non siamo in grado di emettere fatture in Cina. Le fatture vengono emesse da Jina AI GmbH, la nostra sede centrale in Germania.

Gli accordi contrattuali hanno sempre rappresentato una piccola parte del modello commerciale di Jina AI: la maggior parte dei nostri clienti si affida a un sistema di pagamento self-service basato sul consumo. Nonostante l'integrazione con Elastic, al momento non stiamo emettendo nuovi contratti.

Contatta il tuo rappresentante commerciale Elastic e potremo organizzare un incontro tra te, il team Jina AI ed Elastic per discutere.

L'API Reader è gratuita per l'utilizzo di base: basta aggiungere "https://r.jina.ai/" all'URL. Per limiti di tariffazione più elevati, è possibile fornire una chiave API che addebita token in base alla lunghezza del contenuto. Consultare la domanda 16 per i dettagli sui limiti di tariffazione.

L'API Reader utilizza un proxy per recuperare qualsiasi URL, visualizzandone il contenuto in un browser per estrarre contenuti principali di alta qualità.

Il codice dell'API Reader è disponibile sul repository GitHub di Jina AI. Si noti che il modello ReaderLM-v2 è rilasciato sotto licenza CC-BY-NC 4.0 per uso non commerciale, non sotto licenza open source.

L'API Reader generalmente elabora gli URL e restituisce il contenuto entro 2 secondi, sebbene le pagine complesse o dinamiche potrebbero richiedere più tempo.

Lo scraping può essere complicato e inaffidabile, in particolare con pagine complesse o dinamiche. L'API Reader fornisce un output ottimizzato e affidabile di testo pulito e pronto per LLM.

L'API Reader restituisce il contenuto nella lingua originale dell'URL. Non fornisce servizi di traduzione.

Sì. Reader funziona come un normale client web e rispetta i controlli di accesso del sito web. Se un sito web blocca la richiesta, tale decisione viene rispettata. L'utente è responsabile di garantire che l'utilizzo di Reader sia conforme ai termini dei siti a cui accede e non violi i diritti di proprietà intellettuale di terzi.

Sebbene progettata principalmente per le pagine Web, l'API Reader può estrarre contenuto dai PDF visualizzati in formato HTML su siti Web come arXiv, ma non è ottimizzata per l'estrazione PDF generale.

Sì, Reader può aggiungere didascalie alle immagini nelle pagine web utilizzando l'intestazione x-with-generated-alt. Questo aggiunge tag alt descrittivi alle immagini che ne sono prive, consentendo agli studenti di LLM di comprendere il contenuto visivo. Il riepilogo video è previsto per le versioni future.

No, l'API Reader può elaborare solo contenuti provenienti da URL accessibili pubblicamente.

Se richiedi lo stesso URL entro 5 minuti, l'API Reader restituirà il contenuto memorizzato nella cache.

Sfortunatamente no.

Sì, puoi utilizzare il supporto PDF nativo dal Reader (https://r.jina.ai/https://arxiv.org/pdf/2310.19923v4) o utilizzare la versione HTML da arXiv (https:// r.jina.ai/https://arxiv.org/html/2310.19923v4)

Reader sottotitola tutte le immagini all'URL specificato e aggiunge "Immagine [idx]: [didascalia]" come tag alt (se inizialmente ne manca uno). Ciò consente ai LLM a valle di interagire con le immagini nel ragionamento, nel riepilogo, ecc.

L'API Reader è progettata per essere altamente scalabile. Viene ridimensionato automaticamente in base al traffico in tempo reale e il numero massimo di richieste simultanee è ora di circa 4000. Lo manteniamo attivamente come uno dei prodotti principali di Jina AI. Quindi sentitevi liberi di usarlo in produzione.

Puoi trovare le informazioni più recenti sui limiti di tariffa nella tabella seguente. Tieni presente che stiamo lavorando attivamente per migliorare il limite di velocità e le prestazioni dell'API Reader, la tabella verrà aggiornata di conseguenza.

ReaderLM-v2 è il nostro ultimo modello di linguaggio di piccole dimensioni (SLM) per convertire HTML grezzo in markdown pulito o JSON. Offre un miglioramento della qualità 3 volte superiore rispetto alla versione 1 e può estrarre dati strutturati utilizzando schemi JSON o istruzioni in linguaggio naturale. Puoi utilizzarlo direttamente tramite l'API Reader con l'intestazione x-respond-with: readerlm-v2 oppure distribuirlo dai marketplace cloud (AWS, Azure, GCP).

Utilizza l'intestazione x-json-schema con una definizione di schema JSON, oppure utilizza l'intestazione x-instruction con istruzioni in linguaggio naturale. Entrambe le funzionalità funzionano con ReaderLM-v2 per estrarre campi specifici come prezzi, titoli, date, ecc. da qualsiasi pagina web in formato JSON strutturato.

No. Reader non aggira o elude attivamente alcun meccanismo di difesa del sito web, sistema anti-bot o controllo degli accessi. Se un sito web rileva il nostro servizio come un bot e blocca la richiesta, tale decisione viene rispettata. Operiamo come un normale client web e non utilizziamo tecniche progettate per eludere i sistemi di rilevamento. L'utente è responsabile di garantire che il proprio utilizzo di Reader rispetti i diritti di proprietà intellettuale di terzi e i termini dei siti web a cui accede.

No. L'aggiornamento da un livello gratuito a una chiave API a pagamento non garantisce l'accesso a siti web aggiuntivi né aggira eventuali restrizioni del sito. La differenza tra i livelli risiede principalmente nei limiti di velocità e nelle ottimizzazioni delle prestazioni. Una chiave API a pagamento offre una maggiore velocità di elaborazione delle richieste e un'elaborazione più rapida, ma non consente l'accesso ai siti web che bloccano il nostro servizio.

Per informazioni dettagliate sui nostri processi di formazione, sulle fonti dei dati e sulle valutazioni, fare riferimento ai nostri report tecnici su arXiv per jina-embeddings-v3 e jina-embeddings-v4.

jina-embeddings-v4 è il nostro ultimo modello multimodale universale (3,8 miliardi di parametri) che supporta testo e immagini con contesto a 32K, recupero denso e a interazione tardiva e prestazioni SOTA su documenti visivamente ricchi. jina-clip-v2 è un'opzione più leggera (865 milioni di parametri) che supporta 89 lingue con risoluzione delle immagini di 512x512 e rappresentazioni Matryoshka. Entrambi eccellono nelle attività di recupero testo-testo, testo-immagine e immagine-immagine.

Sia jina-embeddings-v4 che jina-embeddings-v3 supportano 89 lingue con ottime prestazioni multilingua. Le 30 lingue principali includono: arabo, bengalese, cinese, danese, olandese, inglese, finlandese, francese, georgiano, tedesco, greco, hindi, indonesiano, italiano, giapponese, coreano, lettone, norvegese, polacco, portoghese, rumeno, russo, slovacco, spagnolo, svedese, tailandese, turco, ucraino, urdu e vietnamita. Anche jina-clip-v2 supporta 89 lingue per attività multimodali.

La lunghezza del contesto varia in base al modello: jina-embeddings-v4 supporta fino a 32K token, mentre jina-embeddings-v3 e jina-clip-v2 supportano fino a 8192 token. Un token può variare da un singolo carattere a un'intera parola. Questo contesto esteso consente un'analisi completa dei documenti e una maggiore accuratezza nella comprensione del contesto per dati testuali estesi.

Non esiste un limite massimo al numero di elementi per richiesta. L'API elabora internamente gli input in base al numero di token per un utilizzo ottimale della GPU. È possibile inviare tutti i testi o le immagini necessari in un'unica richiesta.

Per jina-embeddings-v4, jina-clip-v2 e jina-clip-v1, puoi utilizzare url o bytes nel campo input della richiesta API. Per url, fornisci l'URL dell'immagine che desideri elaborare. Per bytes, codifica l'immagine in formato base64. jina-embeddings-v4 può anche incorporare direttamente documenti PDF passando un URL PDF o byte PDF codificati in base64.

jina-embeddings-v4 è il nostro ultimo modello di punta che ha raggiunto il livello SOTA nei benchmark di recupero di documenti visualmente ricchi (ViDoRe) e multimodali. Per le attività di solo testo, jina-embeddings-v3 supera OpenAI e Cohere nei benchmark MTEB in inglese e multilingue, pur essendo più compatto ed efficiente. Entrambi i modelli supportano l'apprendimento della rappresentazione Matryoshka (MRL), consentendo il troncamento delle dimensioni (fino a 32 per la v3, fino a 128 per la v4) senza perdite significative di prestazioni.

La transizione è semplificata, poiché il nostro endpoint API, corrisponde agli schemi JSON di input e output del modello text-embedding-3-large di OpenAI. Questa compatibilità garantisce che gli utenti possano facilmente sostituire il modello OpenAI con il nostro quando utilizzano l'endpoint di OpenAI.

I token vengono calcolati in base alla lunghezza del testo e alle dimensioni dell'immagine. Per il testo nella richiesta, i token vengono conteggiati secondo il metodo standard. Per le immagini, vengono eseguiti i seguenti passaggi: 1. Dimensione del tile: Ogni immagine è divisa in tile. Per jina-embeddings-v4, i tile sono di 28x28 pixel, per jina-clip-v2, i tile sono di 512x512 pixel, mentre per jina-clip-v1, i tile sono di 224x224 pixel. 2. Copertura: Viene calcolato il numero di tile necessarie per coprire l'immagine in input. Anche se le dimensioni dell'immagine non sono perfettamente divisibili per la dimensione del tile, i tile parziali vengono conteggiati come tile completi. 3. Tile totali: Il numero totale di tile che coprono l'immagine determina il costo. Ad esempio, un'immagine di 600x600 pixel sarebbe suddivisa in tile 22x22 (484 tile) in jina-embeddings-v4, in tile 2x2 (4 tile) in jina-clip-v2 e in tile 3x3 (9 tile) in jina-clip-v1. 4. Calcolo dei costi: per jina-embeddings-v4, ogni tile costa 10 token, per jina-clip-v2, ogni tile costa 4000 token, mentre per jina-clip-v1, ogni tile costa 1000 token. Esempio: Per un'immagine di 600x600 pixel: • Con jina-embeddings-v4 • L'immagine è suddivisa in tile di 28x28 pixel. • Il numero totale di tile necessarie è 22 (orizzontali) x 22 (verticali) = 484 tile. • Il costo per jina-embeddings-v4 sarà 484*10 = 4840 token. • Con jina-clip-v2 • L'immagine è divisa in tile da 512x512 pixel. • Il numero totale di tile necessarie è 2 (orizzontali) x 2 (verticali) = 4 tile. • Il costo per jina-clip-v2 sarà 4*4000 = 16000 token. • Con jina-clip-v1 • L'immagine è divisa in tile da 224x224 pixel. • Il numero totale di tile necessarie è 3 (orizzontali) x 3 (verticali) = 9 tile. • Il costo per jina-clip-v1 sarà 9*1000 = 9000 token.

Sì, jina-embeddings-v4, jina-clip-v2 e jina-clip-v1 possono incorporare sia immagini che testi. L'incorporamento di modelli su più modalità sarà annunciato a breve!

Per domande sulla messa a punto dei nostri modelli con dati specifici, contattaci per discutere le tue esigenze. Siamo aperti a esplorare come i nostri modelli possono essere adattati per soddisfare le vostre esigenze.

Sì, i nostri servizi sono disponibili sui marketplace AWS, Azure e GCP. Se hai esigenze specifiche, contattaci a sales AT jina.ai.

Il parametro task in jina-embeddings-v3 e jina-embeddings-v4 attiva adattatori LoRA specifici per le attività per prestazioni ottimali. Utilizzare retrieval.query per le query di ricerca, retrieval.passage per i documenti da cercare, text-matching per la similarità semantica, classification per la classificazione del testo e separation per le attività di clustering.

jina-embeddings-v4 supporta sia il recupero denso (a vettore singolo) che quello a interazione tardiva (a più vettori) tramite il parametro output_type. L'interazione tardiva preserva informazioni a livello di token più dettagliate per una maggiore accuratezza del recupero su query complesse. jina-colbert-v2 è un modello dedicato all'interazione tardiva.

Il late chunking è una tecnica che incorpora prima l'intero documento utilizzando modelli a contesto lungo, quindi estrae gli embedding dei chunk dalle rappresentazioni a livello di token. A differenza del chunking naive (prima il chunk, poi l'embed), il late chunking preserva il contesto tra chunk, migliorando il recupero per le applicazioni RAG. È possibile abilitarlo tramite il parametro late_chunking in jina-embeddings-v3.

Sebbene alcuni dei nostri modelli di embedding siano architetturalmente in grado di elaborare lunghezze di contesto più lunghe, l'API potrebbe imporre limiti inferiori a causa dei vincoli di VRAM della GPU nella nostra infrastruttura di inferenza. L'elaborazione di sequenze molto lunghe richiede una quantità di memoria considerevole e ottimizziamo la nostra configurazione di servizio per bilanciare throughput, latenza e costi per la maggior parte dei casi d'uso. Se necessitate di supporto per lunghezze di contesto estese, contattate il nostro team commerciale per discutere le opzioni di implementazione dedicate.

jina-embeddings-v4 è basato sul modello base Qwen2-VL, rilasciato con licenza Qwen Research. Questa licenza consente solo la ricerca e l'uso non commerciale, il che significa che non possiamo offrire jina-embeddings-v4 come prodotto commerciale. Di conseguenza, forniamo l'accesso al modello gratuitamente tramite la nostra API. Ci sono due motivi per cui jina-embeddings-v4 potrebbe sembrare più lento di altri modelli: in primo luogo, jina-embeddings-v4 è un modello significativamente più grande di jina-embeddings-v3, quindi richiede intrinsecamente più tempo di elaborazione per richiesta. In secondo luogo, poiché non possiamo commercializzare questo modello, limitiamo intenzionalmente la velocità di elaborazione dell'API per gestire i costi dell'infrastruttura. Gli utenti non devono aspettarsi velocità di elaborazione elevate o a livello di produzione quando utilizzano l'API jina-embeddings-v4. Per carichi di lavoro di produzione che richiedono una maggiore produttività, consigliamo di utilizzare jina-embeddings-v3 o di distribuire jina-embeddings-v4 sulla propria infrastruttura tramite Hugging Face.

I limiti di velocità dipendono dal tipo di chiave API:

Gratuito: 100 RPM, 100.000 TPM, 2 richieste simultanee
A pagamento: 500 RPM, 2 milioni di TPM, 50 richieste simultanee
Premium: 5.000 RPM, 50 milioni di TPM, 500 richieste simultanee

Inoltre, è previsto un limite di velocità basato su IP di 10.000 richieste ogni 60 secondi per prevenire abusi. Se hai bisogno di limiti più elevati, contatta il nostro team di vendita.

Ogni modello ha una lunghezza massima del contesto per input:

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

Gli input che superano il limite restituiranno un errore a meno che non venga impostato truncate: true, che tronca automaticamente alla lunghezza massima.

Le dimensioni massime dei file sono: Immagini: 5 MB, PDF: 8 MB. I file di dimensioni maggiori verranno rifiutati con un errore.

Il prezzo dell'API Reranker è allineato alla nostra struttura tariffaria per l'API Embedding. Inizia con 10 milioni di token gratuiti per ogni nuova chiave API. Oltre ai token gratuiti, sono disponibili diversi pacchetti a pagamento. Per maggiori dettagli, visita la nostra sezione prezzi.

jina-reranker-v3 è il nostro ultimo reranker di punta con una nuova architettura listwise che consente il recupero multilingue SOTA con una lunghezza di contesto di 131 KB. jina-reranker-m0 è il nostro reranker multimodale per la classificazione di documenti visivi in più lingue. jina-reranker-v2-base-multilingual è un cross-encoder che supporta oltre 100 lingue con chiamata di funzioni e recupero del codice. jina-colbert-v2 utilizza l'interazione tardiva per 89 lingue con dimensioni di incorporamento controllate dall'utente.

Tutti i nostri strumenti di reranking (jina-reranker-v3, jina-reranker-m0, jina-reranker-v2-base-multilingual e jina-colbert-v2) sono rilasciati sotto licenza CC-BY-NC 4.0. Siete liberi di utilizzare, condividere e adattare i modelli per scopi non commerciali. Per l'utilizzo commerciale, vi preghiamo di contattarci.

Sì, tutti i nostri reranker supportano il recupero multilingue. jina-reranker-v3 e jina-reranker-v2-base-multilingual supportano oltre 100 lingue. jina-reranker-m0 supporta la classificazione visiva dei documenti multilingue. jina-colbert-v2 supporta 89 lingue.

La lunghezza del contesto varia in base al modello:

jina-reranker-v3: 131.072 token (query + tutti i documenti combinati) con troncamento automatico
jina-reranker-m0: 10.000 token
jina-reranker-v2-base-multilingual: 1.024 token con suddivisione in blocchi automatica per documenti più lunghi
jina-reranker-v1-*: 1.024 token con suddivisione in blocchi automatica
jina-colbert-v2: 8.192 token

Per i reranker v1/v2, le query vengono troncate automaticamente e i documenti lunghi vengono suddivisi in blocchi con il pooling massimo tra i blocchi.

Non esiste un limite massimo al numero di documenti per richiesta. Come la nostra API Embeddings, l'API Reranker elabora internamente gli input in base al numero di token per un utilizzo ottimale della GPU. È possibile inviare tutti i documenti necessari in un'unica richiesta.

La latenza varia da 100 millisecondi a 7 secondi, a seconda in gran parte della lunghezza dei documenti e della query. Ad esempio, la riclassificazione di 100 documenti di 256 token ciascuno con una query da 64 token richiede circa 150 millisecondi. Aumentando la lunghezza del documento a 4096 token, il tempo aumenta a 3,5 secondi. Se la lunghezza della query viene aumentata a 512 token, il tempo aumenta ulteriormente a 7 secondi.

Sì, i nostri servizi sono disponibili sui marketplace AWS, Azure e GCP. Se hai esigenze specifiche, contattaci a sales AT jina.ai.

Se sei interessato a un reranking ottimizzato su misura per dati di dominio specifici, contatta il nostro team di vendita. Il nostro team risponderà tempestivamente alla tua richiesta.

La dimensione minima accettabile dell'immagine per il modello jina-reranker-m0 è 28x28 pixel.

jina-reranker-v3 utilizza una nuova architettura listwise che assegna un punteggio a tutti i documenti in un unico passaggio, consentendo il confronto tra documenti. I tradizionali reranker pointwise (come v2) assegnano un punteggio a ciascun documento in modo indipendente rispetto alla query. Il reranking listwise raggiunge una maggiore accuratezza comprendendo la rilevanza relativa nell'intero set di candidati.

Sebbene alcuni dei nostri modelli di reranking siano architetturalmente in grado di elaborare lunghezze di contesto più lunghe, l'API potrebbe imporre limiti inferiori a causa dei vincoli di VRAM della GPU nella nostra infrastruttura di inferenza. L'elaborazione di sequenze molto lunghe richiede una quantità di memoria considerevole e ottimizziamo la nostra configurazione di servizio per bilanciare throughput, latenza e costi per la maggior parte dei casi d'uso. Se necessitate di supporto per lunghezze di contesto estese, contattate il nostro team commerciale per discutere le opzioni di implementazione dedicate.

I limiti di velocità dipendono dal tipo di chiave API:

Gratuito: 100 RPM, 100.000 TPM, 2 richieste simultanee
A pagamento: 500 RPM, 2 milioni di TPM, 50 richieste simultanee
Premium: 5.000 RPM, 50 milioni di TPM, 500 richieste simultanee

Esiste anche un limite di velocità basato su IP di 10.000 richieste ogni 60 secondi. Gli stessi limiti di velocità si applicano sia alle API Embeddings che a quelle Reranker.

Sì, la stessa chiave API è valida per tutti i prodotti Search Foundation di Jina AI. Ciò include le API di lettura, incorporamento, riclassificazione, classificazione e messa a punto, con token condivisi tra tutti i servizi.

Sì, l'utilizzo del token può essere monitorato nella scheda "API Key & Billing" inserendo la tua chiave API, consentendoti di visualizzare la cronologia di utilizzo recente e i token rimanenti. Se hai effettuato l'accesso alla dashboard API, questi dettagli possono essere visualizzati anche nella scheda "Manage API Key".

Se hai smarrito una chiave ricaricata e desideri recuperarla, contatta il supporto AT jina.ai con la tua email registrata per ricevere assistenza. Si consiglia di effettuare l'accesso per conservare la tua chiave API in modo sicuro e facilmente accessibile.

No, le nostre chiavi API non hanno una data di scadenza. Tuttavia, se sospetti che la tua chiave sia stata compromessa e desideri ritirarla, contatta il nostro team di supporto per ricevere assistenza. Puoi anche revocare la tua chiave nella dashboard API Key Management.

Sì, puoi trasferire token da una chiave premium a un'altra. Dopo aver effettuato l'accesso al tuo account sulla dashboard API Key Management, usa le impostazioni della chiave che vuoi trasferire per spostare tutti i token a pagamento rimanenti.

Sì, puoi revocare la tua chiave API se ritieni che sia stata compromessa. La revoca di una chiave la disabiliterà immediatamente per tutti gli utenti che l'hanno archiviata e tutto il saldo rimanente e le proprietà associate saranno permanentemente inutilizzabili. Se la chiave è una chiave premium, hai la possibilità di trasferire il saldo pagato rimanente a un'altra chiave prima della revoca. Nota che questa azione non può essere annullata. Per revocare una chiave, vai alle impostazioni della chiave nella dashboard Gestione chiavi API.

Questo perché la nostra architettura serverless scarica determinati modelli durante i periodi di basso utilizzo. La richiesta iniziale attiva o "riscalda" il modello, il che potrebbe richiedere alcuni secondi. Dopo questa attivazione iniziale, le richieste successive vengono elaborate molto più rapidamente.

No. Non utilizziamo mai le vostre richieste API, input o output per addestrare i nostri modelli di embedding, reranker o altri modelli. I vostri dati restano vostri.

Si applicano limiti di velocità per chiave API:

Gratuito: 100 RPM, 100.000 TPM, 2 richieste simultanee
A pagamento: 500 RPM, 2 milioni di TPM, 50 richieste simultanee
Premium: 5.000 RPM, 50 milioni di TPM, 500 richieste simultanee

È presente anche un limite di velocità basato su IP di 10.000 richieste ogni 60 secondi. Questi limiti si applicano a tutte le API Jina (Embeddings, Reranker, Reader, ecc.).

Non esiste alcun limite di dimensione del batch per le API Embeddings o Reranker. È possibile inviare tutti gli elementi o documenti necessari per richiesta. Entrambe le API elaborano internamente gli input in batch in base al numero di token, per un utilizzo ottimale della GPU.

Il nostro modello di prezzo si basa sul numero totale di token elaborati, consentendo agli utenti la flessibilità di allocare questi token su qualsiasi numero di frasi, offrendo una soluzione economicamente vantaggiosa per diversi requisiti di analisi del testo.

Offriamo ai nuovi utenti una prova gratuita di benvenuto, che include dieci milioni di token da utilizzare con qualsiasi nostro modello, grazie a una chiave API generata automaticamente. Una volta raggiunto il limite di token gratuiti, gli utenti possono facilmente acquistare token aggiuntivi per le proprie chiavi API tramite la scheda "Acquista token".

No, i token non vengono detratti per le richieste non riuscite.

I pagamenti vengono elaborati tramite Stripe, che supporta una varietà di metodi di pagamento tra cui carte di credito, Google Pay e PayPal per la tua comodità.

Sì, al momento dell'acquisto dei token verrà emessa una fattura all'indirizzo e-mail associato al tuo account Stripe.

DeepSearch è un'API LLM che esegue ricerche iterative, letture e ragionamenti finché non trova una risposta precisa a una query o raggiunge il limite del budget token.

A differenza di OpenAI e Gemini, DeepSearch si concentra specificamente sulla fornitura di risposte accurate tramite iterazione piuttosto che sulla generazione di articoli lunghi. È ottimizzato per risposte rapide e precise dalla ricerca nel deep web piuttosto che per la creazione di report completi.

Hai bisogno di una chiave API Jina. Offriamo 10 milioni di token gratuiti per le nuove chiavi API.

Genera una risposta finale basata su tutte le conoscenze accumulate, anziché rinunciare o restituire una risposta incompleta.

No. Sebbene utilizzi un processo di ricerca iterativo per migliorare l'accuratezza, la valutazione mostra che raggiunge un tasso di successo del 75% nelle domande del test, significativamente migliore rispetto al valore di base dello 0% (gemini-2.0-flash), ma non perfetto.

Varia in modo significativo: le query possono richiedere da 1 a 42 passaggi, con una media di 4 passaggi in base ai dati di valutazione. Sono 20 secondi. Le query semplici potrebbero essere risolte rapidamente, mentre le domande di ricerca complesse possono comportare molte iterazioni e fino a 120 secondi.

Sì, l'API DeepSearch ufficiale su deepsearch.jina.ai/v1/chat/completions è completamente compatibile con lo schema API OpenAI, utilizzando 'jina-deepsearch-v1' come nome modello. Pertanto è semplicissimo passare da OpenAI a DeepSearch e utilizzarlo con client locali o qualsiasi client compatibile con OpenAI. Consigliamo vivamente Chatwise per un'esperienza fluida.

I limiti di velocità variano in base al livello della chiave API, da 10 RPM a 30 RPM. È importante tenerne conto per le applicazioni con volumi di query elevati.

DeepSearch racchiude i passaggi di pensiero nei tag XML ... e fornisce in seguito la risposta finale, seguendo il formato di streaming OpenAI ma con questi marcatori speciali per la catena di pensieri.

Sì. Jina Reader viene utilizzato per la ricerca e la lettura sul Web, consentendo al sistema di accedere ed elaborare in modo efficiente i contenuti Web.

Sì, l'utilizzo di token di DeepSearch su query complesse è presumibilmente elevato, con una media di 70.000 token rispetto ai 500 per le risposte LLM di base. Ciò dimostra la profondità della ricerca, ma ha anche implicazioni sui costi.

Il sistema è controllato principalmente dal budget token piuttosto che dal conteggio dei passi. Una volta superato il budget token, entra in Beast Mode per la generazione della risposta finale. Controlla reasoning_effort per maggiori dettagli.

I riferimenti sono considerati così importanti che se una risposta è ritenuta definitiva ma priva di riferimenti, il sistema continua la ricerca anziché accettare la risposta.

Sì, ma con estesi passaggi di ricerca. L'esempio di "chi sarà presidente nel 2028" dimostra che può gestire domande speculative attraverso più iterazioni di ricerca, sebbene l'accuratezza non sia garantita per tali previsioni.

Zero-shot richiede etichette semantiche durante la classificazione e nessuna durante l'addestramento, mentre few-shot richiede etichette durante l'addestramento ma non la classificazione. Ciò significa che zero-shot è migliore per esigenze di classificazione flessibili e immediate, mentre few-shot è migliore per categorie fisse e specifiche del dominio che possono evolversi nel tempo.

num_iters controlla l'intensità dell'allenamento: valori più alti rafforzano esempi importanti mentre valori più bassi riducono al minimo l'impatto di dati meno affidabili. Può essere utilizzato per implementare l'apprendimento basato sul tempo assegnando agli esempi recenti conteggi di iterazioni più elevati, rendendolo prezioso per l'evoluzione dei modelli di dati.

I classificatori pubblici possono essere utilizzati da chiunque abbia classifier_id, consumando la propria quota di token. Gli utenti non possono accedere ai dati di training o alla configurazione e non possono vedere le richieste di classificazione degli altri, consentendo una condivisione sicura dei classificatori.

Few-shot richiede 200-400 esempi di training per superare la classificazione zero-shot. Sebbene alla fine raggiunga una maggiore accuratezza, ha bisogno di questo periodo di riscaldamento per diventare efficace. Zero-shot fornisce prestazioni costanti immediatamente senza dati di training.

Sì, l'API supporta query multilingue utilizzando jina-embeddings-v3 e classificazione multimodale (testo/immagine) utilizzando jina-clip-v2 o jina-embeddings-v4, con supporto per URL o immagini codificate in base64 nella stessa richiesta.

Zero-shot supporta 256 classi senza limiti di classificatori, mentre few-shot è limitato a 16 classi e 16 classificatori. Entrambi supportano 1.024 input per richiesta e 8.192 token per input.

La modalità Few-shot consente l'aggiornamento continuo tramite l'endpoint /train per adattarsi ai modelli di dati in evoluzione. È possibile aggiungere gradualmente nuovi esempi o classi quando cambia la distribuzione dei dati, senza ricostruire l'intero classificatore.

L'API utilizza l'apprendimento online one-pass: gli esempi di training aggiornano i pesi del classificatore ma non vengono archiviati in seguito. Ciò significa che non è possibile recuperare i dati di training storici, ma garantisce privacy ed efficienza delle risorse.

Inizia con zero-shot per risultati immediati e quando hai bisogno di una classificazione flessibile con etichette semantiche. Passa a few-shot quando hai 200-400 esempi, hai bisogno di una maggiore accuratezza o devi gestire dati specifici del dominio/sensibili al tempo.

Sì, puoi scegliere tra jina-embeddings-v3 per la classificazione del testo (particolarmente adatta per le lingue multilingue), jina-clip-v2 per la classificazione multimodale (89 lingue) o jina-embeddings-v4 per la classificazione multilingue multimodale universale.

L'API Segmenter è gratuita. Fornendo la tua chiave API, puoi accedere a un limite di tariffa più elevato e la tua chiave non verrà addebitata.

Senza una chiave API, è possibile accedere all'API Segmenter a una velocità massima di 20 RPM.

Con una chiave API, puoi accedere alla Segmenter API a un limite di velocità di 200 RPM. Per gli utenti premium a pagamento, il limite di velocità è di 1000 RPM.

No, la tua chiave API viene utilizzata solo per accedere a un limite di velocità più elevato.

Sì, l'API Segmenter è multilingue e supporta oltre 100 lingue.

Le richieste GET sono utilizzate esclusivamente per contare il numero di token in un testo, consentendoti di integrarlo facilmente come contatore nella tua applicazione. Le richieste POST supportano più parametri e funzionalità, come la restituzione dei primi/ultimi N token.

È possibile inviare fino a 64.000 caratteri per richiesta.

La funzione di chunking segmenta i documenti lunghi in blocchi più piccoli in base a comuni indizi strutturali, assicurando una segmentazione accurata del testo in blocchi significativi. In sostanza, si tratta di un (grande!) modello regex che segmenta il testo in base a determinate caratteristiche sintattiche che spesso si allineano con i confini semantici, come terminazioni di frase, interruzioni di paragrafo, punteggiatura e determinate congiunzioni. Non è un chunking semantico. Questa (grande) regex è potente quanto può esserlo entro i limiti delle espressioni regolari. Bilancia complessità e prestazioni. Mentre una vera comprensione semantica non è possibile con regex, approssima bene il contesto tramite comuni indizi strutturali.

Se l'input contiene token speciali, la nostra API Segmenter li inserirà nel campo 'special_tokens'. Ciò ti consente di identificarli facilmente e gestirli di conseguenza per le tue attività downstream, ad esempio rimuovendoli prima di immettere il testo in un LLM per prevenire attacchi di iniezione.

Oltre alle lingue occidentali, la suddivisione in blocchi funziona bene anche con il cinese, il giapponese e il coreano.

La funzionalità è attualmente in versione beta e costa 1 milione di token per modello ottimizzato. Puoi utilizzare la tua chiave API esistente dall'API Embedding/Reranker se ha token sufficienti, oppure puoi creare una nuova chiave API, che include 10 milioni di token gratuiti.

Non è necessario fornire alcun dato di addestramento. Descrivi semplicemente il tuo dominio di destinazione (il dominio per il quale desideri ottimizzare gli incorporamenti) in linguaggio naturale o utilizza un URL come riferimento e il nostro sistema genererà dati sintetici per addestrare il modello.

Circa 30 minuti.

I modelli ottimizzati e i dati sintetici vengono archiviati pubblicamente nell'hub del modello Hugging Face.

Il sistema utilizza l'API Reader per recuperare il contenuto dall'URL. Quindi analizza il contenuto per riassumere il tono e il dominio, che utilizza come linee guida per la generazione di dati sintetici. Pertanto, l'URL dovrebbe essere accessibile al pubblico e rappresentativo del dominio di destinazione.

Sì, puoi mettere a punto un modello per una lingua diversa dall'inglese. Il sistema rileva automaticamente la lingua delle istruzioni del tuo dominio e genera di conseguenza dati sintetici. Raccomandiamo inoltre di scegliere il modello base appropriato per la lingua di destinazione. Ad esempio, se scegli come target un dominio tedesco, dovresti selezionare "jina-embeddings-v2-base-de" come modello base.

No, la nostra API di ottimizzazione supporta solo i modelli Jina v2.

Al termine del processo di messa a punto, il sistema valuta il modello utilizzando un set di test e segnala le metriche delle prestazioni. Riceverai un'e-mail con i dettagli delle prestazioni prima/dopo su questo set di test. Ti invitiamo inoltre a valutare il modello sul tuo set di test per garantirne la qualità.

Il sistema genera dati sintetici integrando le istruzioni del dominio di destinazione fornite con il ragionamento degli agenti LLM. Produce triplette negative rigide, essenziali per l'addestramento di modelli di incorporamento di alta qualità. Per maggiori dettagli, fare riferimento al nostro prossimo documento di ricerca su Arxiv.

Attualmente no. Tieni presente che questa funzionalità è ancora in versione beta. L'archiviazione pubblica dei modelli ottimizzati e dei dati sintetici nell'hub del modello Hugging Face aiuta noi e la comunità a valutare la qualità della formazione. In futuro, prevediamo di offrire un'opzione di archiviazione privata.

Poiché tutti i modelli ottimizzati vengono caricati su Hugging Face, puoi accedervi tramite SentenceTransformers semplicemente specificando il nome del modello.

Per favore controlla la tua cartella spam. Se ancora non riesci a trovarlo, contatta il nostro team di supporto utilizzando l'indirizzo email che hai fornito.