Elastic
Jina AI
Modelli
API
keyboard_arrow_down
Reader
Converti qualsiasi URL in Markdown per un migliore ancoraggio dei LLM.
Embeddings
Embeddings multimodali e multilingue.
Reranker
Reranker per massimizzare la pertinenza dei risultati di ricerca.
MCP
terminal
CLI
article
llms.txt
smart_toy
Agenti
data_object
Schema
menu_book
Documenti
Login
login

Embeddings

Embeddings multimodali multilingue a contesto lungo ad alte prestazioni per applicazioni di ricerca, RAG e agenti.

API di embedding

Prova i nostri modelli di embedding per migliorare i tuoi sistemi di ricerca e RAG. Inizia con una prova gratuita!
keyChiave API e fatturazione
codeUtilizzo
more_horizDi più
chevron_leftchevron_right
home
speedLimite di velocità
bug_reportSollevare la questione
help_outlineFAQ
Stato
chevron_leftchevron_right
upload
Richiesta
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。"
    + aggiungere input
  ]
}
EOFEOF

v5-omni: Un unico embedding per tutti

Testo, immagini, audio, video: un unico spazio di embedding condiviso, due dimensioni. v5-omni-small (1,6 B) è il modello omni a pesi aperti con le migliori prestazioni con parametri inferiori a 2 B. v5-omni-nano (0,9 B) offre un recupero competitivo con meno di 1 B. Entrambi sono compatibili byte per byte con v5-text: non è necessaria alcuna reindicizzazione.
Leggi la nota di rilascioarrow_forward

v5-text: Nuovi piccoli embeddings multilingue SOTA

jina-embeddings-v5-text offre una qualità di embedding di quinta generazione in due dimensioni efficienti, un modello piccolo da 677 M e un modello nano da 239 M, con adattatori LoRA specifici per attività, dimensioni Matryoshka, contesto da 32 K e quantizzazione GGUF/MLX per l'implementazione edge, stabilendo nuovi parametri di riferimento per attività MMTEB, MTEB English e di recupero.
Leggi la nota di rilascioarrow_forward

Due modi per acquistare

Iscriviti alla nostra API o acquista tramite i provider cloud.
radio_button_unchecked
cloud
Con 3 fornitori di servizi cloud
La tua azienda utilizza AWS o Azure? Puoi distribuire i nostri modelli direttamente sulla piattaforma cloud della tua azienda e gestire la fatturazione tramite l'account CSP.
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
radio_button_checked
Con l'API Jina Search Foundation
Il modo più semplice per accedere a tutti i nostri prodotti. Ricarica i token man mano che procedi.
Ricarica questa chiave API con più token
A seconda della tua posizione, l'addebito potrebbe essere effettuato in USD, EUR o altre valute. Potrebbero essere applicate tasse.
Inserisci la chiave API corretta per ricaricare
Comprendere il limite di velocità
I limiti di velocità sono il numero massimo di richieste che possono essere effettuate a un'API entro un minuto per indirizzo IP/chiave API (RPM). Scopri di più sui limiti di velocità per ogni prodotto e livello di seguito.
keyboard_arrow_down
Limite di velocità
I limiti di velocità vengono monitorati in due modi: RPM (richieste al minuto) e TPM (token al minuto). I limiti vengono applicati per IP/chiave API e vengono attivati al raggiungimento della soglia RPM o TPM. Quando si fornisce una chiave API nell'intestazione della richiesta, i limiti di velocità vengono monitorati per chiave anziché per indirizzo IP.
ProdottoPunto finale APIDescrizionearrow_upwardsenza chiave APIkey_offcon chiave API gratuitakeycon chiave API a pagamentokeycon chiave API PremiumkeyLatenza mediaConteggio dell'utilizzo del tokenRichiesta consentita
API del Readerhttps://r.jina.aiConvertire l'URL in testo compatibile con LLM20 RPM500 RPM500 RPMtrending_up5000 RPM7.9sContare il numero di token nella risposta di output.GET/POST
API del Readerhttps://s.jina.aiCercare sul web e convertire i risultati in testo compatibile con LLMblock100 RPM100 RPMtrending_up1000 RPM2.5sOgni richiesta costa un numero fisso di token, a partire da 10000 tokenGET/POST
API di embeddinghttps://api.jina.ai/v1/embeddingsConvertire testo/immagini in vettori di lunghezza fissablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
dipende dalla dimensione dell'input
help
Contare il numero di token nella richiesta di input.POST
API Rerankerhttps://api.jina.ai/v1/rerankClassificare i documenti per queryblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
dipende dalla dimensione dell'input
help
Contare il numero di token nella richiesta di input.POST

Distribuzione locale

Distribuisci i modelli Jina Embeddings in AWS SageMaker e Microsoft Azure, e presto anche nei servizi Google Cloud, oppure contatta il nostro team di vendita per ottenere distribuzioni Kubernetes personalizzate per il tuo cloud privato virtuale e i server locali.
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
Integrazioni API
La nostra API di embedding è integrata nativamente con vari database rinomati, archivi di vettori, framework RAG e LLMOps. Per iniziare, copia e incolla la tua chiave API in una qualsiasi delle integrazioni elencate per un avvio rapido e senza intoppi.
Negozio di vettore
LLMOps
RAG
Osservabilità
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

Le nostre pubblicazioni

Scopri come i nostri modelli di ricerca di frontiera sono stati addestrati da zero, dai un'occhiata alle nostre ultime pubblicazioni. Incontra il nostro team presso EMNLP, SIGIR, ICLR, NeurIPS e ICML!
arXiv
luglio 20, 2026
jina-reranker-v3.5: An Efficient Listwise Reranker with Hybrid Attention and Self-Distillation
SIGIR 2026
maggio 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
SIGIR 2026
febbraio 17, 2026
jina-embeddings-v5-text: Task-Targeted Embedding Distillation
ICLR 2026
gennaio 22, 2026
Embedding Compression via Spherical Coordinates
arXiv
dicembre 29, 2025
Vision Encoders in Vision-Language Models: A Survey
ICLR 2026
dicembre 04, 2025
Jina-VLM: Small Multilingual Vision Language Model
AAAI 2026
ottobre 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
giugno 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
dicembre 17, 2024
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
ICLR 2025
dicembre 12, 2024
jina-clip-v2: Multilingual Multimodal Embeddings for Text and Images
ECIR 2025
settembre 18, 2024
jina-embeddings-v3: Multilingual Embeddings With Task LoRA
SIGIR 2025
settembre 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
giugno 21, 2024
Leveraging Passage Embeddings for Efficient Listwise Reranking with Large Language Models
ICML 2024
maggio 30, 2024
Jina CLIP: Your CLIP Model Is Also Your Text Retriever
arXiv
febbraio 26, 2024
Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings
arXiv
ottobre 30, 2023
Jina Embeddings 2: 8192-Token General-Purpose Text Embeddings for Long Documents
EMNLP 2023
luglio 20, 2023
Jina Embeddings: A Novel Set of High-Performance Sentence Embedding Models
20 pubblicazioni in totale.

Conoscere gli embeddings

Da dove cominciare con gli embeddings? Ti abbiamo coperto. Scopri di più sugli embeddings con la nostra guida completa.
maggio 12, 2026 • 7 minuti letti
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
maggio 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 minuti letti
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 minuti letti
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.
Han Xiao

Confronto tra Reranker, Ricerca vettoriale e BM25

La tabella seguente fornisce un confronto completo tra Reranker, ricerca di vettori/embeddings e BM25, evidenziandone i punti di forza e di debolezza nelle varie categorie.
RerankerRicerca vettorialeBM25
Ideale perMaggiore precisione e pertinenza della ricercaFiltraggio iniziale rapidoRecupero generale del testo attraverso query ad ampio raggio
GranularitàDettagliato: documento secondario e segmento di queryAmpio: interi documentiIntermedio: vari segmenti di testo
Complessità temporale delle queryAltomedioBasso
Complessità temporale dell'indicizzazioneNon richiestoAltoBasso, utilizza un indice predefinito
Complessità temporale dell'addestramentoAltoAltoNon richiesto
Qualità della ricercaSuperiore per query sfumateIn equilibrio tra efficienza e precisioneCoerente e affidabile per un'ampia gamma di query
Punti di forzaAltamente accurato con una profonda comprensione del contestoVeloce ed efficiente, con una precisione moderataAltamente scalabile, con efficacia consolidata
Prova gratuitamente l'API rerankerProva l'API embedding gratuitamente

Poster L'evoluzione degli embeddings

Scopri il poster ideale per il tuo spazio, con infografiche accattivanti o immagini mozzafiato che tracciano l'evoluzione dei modelli di embedding del testo dal 1950.
Scopri come l'abbiamo realizzato
shopping_cartAcquista una copia cartacea

FAQ

Come sono stati addestrati i modelli di embedding Jina?
keyboard_arrow_down
Per informazioni dettagliate sui nostri processi di addestramento, fonti di dati e valutazioni, fare riferimento ai report tecnici su arXiv. I modelli di testo jina-embeddings-v5 vengono addestrati in due fasi: distillazione degli embedding da un modello insegnante più ampio, seguita dall'addestramento di adattatori LoRA specifici per il compito su pesi di base congelati. Le varianti multimodali v5-omni aggiungono una terza fase che addestra solo proiettori cross-modali, lasciando congelati i pesi di base e gli adattatori del testo.
launcharXiv
Quali sono i tuoi modelli di embedding multimodale?
keyboard_arrow_down
jina-embeddings-v5-omni-small (~1,74 miliardi di parametri, 1024 dimensioni, 32.000 di contesto) e jina-embeddings-v5-omni-nano (~1,04 miliardi di parametri, 768 dimensioni, 8.000 di contesto) sono i nostri modelli multimodali attuali. Accettano testo, immagini, audio, video e PDF in un unico spazio vettoriale condiviso, consentendo di indicizzare in una modalità ed eseguire query in un'altra senza dover reindicizzare. Il loro output solo testo è identico a jina-embeddings-v5-text-small e jina-embeddings-v5-text-nano rispettivamente, il che significa che è possibile aggiungere input multimodali a un indice di testo esistente senza doverlo reincorporare. jina-clip-v2 (865 milioni di parametri) rimane disponibile come opzione più leggera per testo e immagini.
launcharXiv
Quali lingue supportano i vostri modelli?
keyboard_arrow_down
Tutti i modelli rilasciati dal 2024 in poi sono multilingue. jina-embeddings-v5-text-small e i modelli v5-omni sono basati su un'infrastruttura Qwen3 con un'ampia copertura multilingue; jina-embeddings-v5-text-nano è basato su EuroBERT-210M e supporta 15 delle principali lingue europee e globali, tra cui inglese, francese, tedesco, spagnolo, cinese, giapponese, arabo e hindi. jina-embeddings-v3 e jina-clip-v2 supportano 89 lingue. Per i dati di benchmark per lingua, consultare i risultati MMTEB nel report tecnico di ciascun modello.
launcharXiv
Qual è la lunghezza massima del contesto per un singolo input?
keyboard_arrow_down
La lunghezza del contesto varia a seconda del modello: jina-embeddings-v5-text-small e jina-embeddings-v5-omni-small supportano fino a 32.768 token, mentre jina-embeddings-v5-text-nano e jina-embeddings-v5-omni-nano supportano 8.192 token. jina-embeddings-v4 e i modelli jina-code-embeddings supportano 32.768 token; jina-embeddings-v3, jina-clip-v2 e jina-colbert-v2 supportano 8.192 token. Gli input che superano il limite restituiscono un errore a meno che non si imposti truncate: true.
Qual è il numero massimo di input che posso includere in una singola richiesta?
keyboard_arrow_down
Non esiste un limite rigido al numero di elementi per richiesta. L'API raggruppa internamente gli input in base al numero di token per un utilizzo ottimale della GPU, quindi è possibile inviare tutti i testi o le immagini necessari in una singola richiesta. I PDF costituiscono un'eccezione: è possibile inviare un solo PDF per richiesta.
Come faccio a inviare immagini, audio, video o PDF ai modelli multimodali?
keyboard_arrow_down
Passa un oggetto tipizzato nell'array input utilizzando una chiave image, audio, video o pdf, il cui valore è un URL pubblico o byte codificati in base64. Il modello instrada ciascuna modalità al codificatore appropriato ed è possibile combinare liberamente le modalità all'interno di un singolo batch. I formati audio supportati includono WAV, MP3, FLAC, OGG, M4A e Opus; il video viene elaborato come 32 fotogrammi campionati uniformemente. I PDF devono essere inviati uno per richiesta.
Come si confrontano gli embedding di Jina con i modelli più recenti di OpenAI, Cohere e Voyage?
keyboard_arrow_down
jina-embeddings-v5-text-small (677 milioni di parametri) è il modello più potente con 1 miliardo di parametri su MMTEB, con un punteggio medio di 67,0 a livello di attività e raggiunge una media di 71,7 su English MTEB. jina-embeddings-v5-text-nano (239 milioni di parametri) ottiene un punteggio di 65,5 su MMTEB, superando ogni modello che abbiamo valutato con 500 milioni di parametri. Il nostro obiettivo di progettazione è la capacità per parametro piuttosto che la dimensione grezza, quindi questi modelli sono più economici da implementare rispetto alla maggior parte delle alternative con una qualità di recupero comparabile o migliore. Tutti i modelli v5 supportano l'apprendimento della rappresentazione Matryoshka, quindi è possibile troncare le dimensioni fino a 32 senza riaddestramento.
Quanto è semplice il passaggio dal text-embedding-3-large di OpenAI alla vostra soluzione?
keyboard_arrow_down
La transizione è semplice: il nostro endpoint API corrisponde agli schemi JSON di input e output di text-embedding-3-large di OpenAI, quindi nella maggior parte dei codebase è sufficiente modificare l'URL di base, la chiave API e il nome del modello. Lo stesso vale per i container Jina On-Prem, che espongono anche gli schemi di Elastic Inference Service (EIS), Cohere, Voyage AI e Gemini, quindi i modelli Jina sono una sostituzione diretta nei percorsi di codice esistenti. Si noti che gli embedding di diverse famiglie di modelli non sono comparabili, quindi è necessario reincorporare il corpus anziché combinare vettori di due provider in un unico indice. Per i container On-Prem, contattare Elastic Sales.
Come vengono calcolati i token per le immagini e altri input non testuali?
keyboard_arrow_down
Il testo viene conteggiato secondo le modalità standard. Gli input non testuali vengono convertiti in token dal codificatore appropriato e il costo dipende fortemente dal modello utilizzato, quindi è consigliabile effettuare delle misurazioni con i propri input anziché fare supposizioni. A titolo di riferimento, un'immagine di 600x600 pixel ha un costo approssimativo di: • jina-embeddings-v5-omni-small: ~363 token • jina-embeddings-v5-omni-nano: ~362 token • jina-embeddings-v4: ~4.840 token • jina-clip-v2: ~16.000 token I modelli v5-omni sono da uno a due ordini di grandezza più economici per immagine rispetto ai modelli precedenti. Ogni risposta include un oggetto usage con il conteggio esatto dei token per quella richiesta, inclusa una ripartizione image_tokens per gli input multimodali, in modo da poter verificare il costo per chiamata.
Fornite modelli per l'embedding di immagini, audio o video?
keyboard_arrow_down
Sì. jina-embeddings-v5-omni-small e jina-embeddings-v5-omni-nano incorporano testo, immagini, audio, video e PDF in un unico spazio vettoriale condiviso. jina-embeddings-v4 e jina-clip-v2 gestiscono testo e immagini.
È possibile ottimizzare i modelli di embedding di Jina utilizzando dati privati ​​o aziendali?
keyboard_arrow_down
Esistono due percorsi. Il primo, self-service, è l'API di fine-tuning, che genera dati di training sintetici a partire da una descrizione del dominio e restituisce un modello ottimizzato, senza che sia necessario creare un dataset etichettato. Per il fine-tuning su dati proprietari in base a un accordo commerciale, su infrastrutture dedicate o su un modello non presente nel selettore del modello base, contatta il team di vendita di Elastic; tale attività viene definita e contrattualizzata tramite Elastic.
Contatto
È possibile ospitare i modelli privatamente, sulla mia infrastruttura o nel mio account cloud?
keyboard_arrow_down
Sì, in due modi. I modelli Jina sono disponibili sui marketplace di AWS, Azure e GCP, quindi puoi distribuirli all'interno del tuo account cloud. Per infrastrutture autogestite, on-premise o isolate dalla rete, Elastic vende una licenza commerciale chiamata Jina On-Prem, disponibile dal 10 agosto 2026, che fornisce i modelli come container Docker completamente offline, senza chiamate esterne e senza server di licenza. Per ottenere un preventivo per una delle due opzioni, contatta il team vendite di Elastic.
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
Cos'è il parametro "task" e quando dovrei utilizzarlo?
keyboard_arrow_down
Il parametro task seleziona un adattatore LoRA specifico per l'attività al fine di ottenere prestazioni ottimali. Utilizzare retrieval.query per le query di ricerca, retrieval.passage per i documenti da cercare, text-matching per la similarità simmetrica, ad esempio per il rilevamento di duplicati o parafrasi, classification per la categorizzazione e separation per il clustering. Il recupero è asimmetrico, pertanto l'utilizzo del lato errato della coppia query/passage degrada sensibilmente i risultati. Il parametro è supportato da jina-embeddings-v5, jina-embeddings-v4 e jina-embeddings-v3.
Che cos'è il recupero tardivo delle interazioni e quali modelli lo supportano?
keyboard_arrow_down
L'interazione tardiva mantiene i vettori a livello di token invece di comprimere un documento in un unico vettore, preservando così i dettagli più fini a costo di un indice più grande. jina-embeddings-v4 supporta sia l'output denso (vettore singolo) che quello a interazione tardiva (multivettore) tramite il parametro output_type, mentre jina-colbert-v2 è un modello dedicato all'interazione tardiva. Per la maggior parte delle pipeline di recupero, un modello denso v5 seguito da un reranker rappresenta il miglior compromesso tra accuratezza e costo.
Cos'è il late chunking e quando dovrei utilizzarlo?
keyboard_arrow_down
Il chunking tardivo incorpora prima l'intero documento con un modello di contesto lungo, quindi deriva gli embedding dei chunk dalle rappresentazioni a livello di token. A differenza del chunking ingenuo, che incorpora ogni chunk in isolamento, il chunking tardivo preserva il contesto tra i chunk, migliorando la qualità del recupero nelle pipeline RAG in cui un chunk fa riferimento a qualcosa definito in precedenza nel documento. Abilitalo con il parametro late_chunking.
Perché l'API impone una lunghezza del contesto diversa da quella supportata dal modello?
keyboard_arrow_down
Alcuni modelli sono architettonicamente in grado di gestire contesti più lunghi di quelli accettati dall'API ospitata. Sequenze molto lunghe consumano una quantità considerevole di memoria GPU e ottimizziamo la configurazione del servizio per bilanciare throughput, latenza e costi per la maggior parte dei casi d'uso. Se hai bisogno della lunghezza completa del contesto architetturale, esegui il modello autonomamente: contatta il team vendite di Elastic per informazioni su una distribuzione autogestita.
Perché jina-embeddings-v4 è gratuito e perché è lento?
keyboard_arrow_down
jina-embeddings-v4 è basato sul modello Qwen2-VL, rilasciato sotto la Qwen Research License, che consente solo l'uso a scopo di ricerca e non commerciale. Pertanto, non possiamo concederlo in licenza commerciale e lo forniamo gratuitamente tramite API. È inoltre un modello a 3,8 miliardi di parametri, quindi è intrinsecamente più lento per richiesta e ne limitiamo la velocità di elaborazione per gestire i costi dell'infrastruttura. Non è adatto per carichi di lavoro di produzione e, per lo stesso motivo, non è offerto tramite Elastic Inference Service o come parte di Jina On-Prem. Per l'uso in produzione, si consiglia la famiglia jina-embeddings-v5: è più veloce, offre prestazioni migliori nei benchmark di recupero dati e può essere concesso in licenza per uso commerciale tramite Elastic Sales.
Quali sono i limiti di velocità per l'API Embeddings?
keyboard_arrow_down
I limiti di frequenza dipendono dal tipo di chiave API:

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

Esiste un limite aggiuntivo basato su IP di 10.000 richieste ogni 60 secondi per prevenire abusi. I limiti vengono applicati per chiave e conteggiati in una finestra di 60 secondi, in modo che i picchi vengano uniformati anziché messi in coda; una richiesta che supera il limite restituisce HTTP 429 e deve essere ritentata con un backoff esponenziale. Se hai bisogno di limiti superiori al livello Premium o di capacità dedicata senza alcun limite per tenant condivisi, contatta Elastic Sales.
Quale modello di embedding dovrei scegliere?
keyboard_arrow_down
Inizia con jina-embeddings-v5-text-small per il recupero del testo: è il modello più potente che offriamo con meno di 1 miliardo di parametri e gestisce contesti da 32K. Passa a jina-embeddings-v5-text-nano quando la latenza, il costo o l'hardware edge sono più importanti dell'ultimo punto di precisione. Usa jina-embeddings-v5-omni-small o v5-omni-nano quando sono coinvolte immagini, audio, video o PDF; il loro output di testo è identico al corrispondente modello di testo, quindi puoi aggiungere modalità a un indice esistente senza doverle rielaborare. Usa jina-code-embeddings-0.5b o 1.5b per il codice sorgente. All'interno di una famiglia, la versione più recente è migliore.
Quali sono i limiti di dimensione dei file per immagini e PDF?
keyboard_arrow_down
Le dimensioni massime consentite per i file sono di 5 MB per le immagini e 8 MB per i file PDF. I file di dimensioni superiori verranno rifiutati e verrà visualizzato un messaggio di errore.

Come posso ottenere la mia chiave API?

video_not_supported

Qual è il limite di tariffa?

Limite di velocità
I limiti di velocità vengono monitorati in due modi: RPM (richieste al minuto) e TPM (token al minuto). I limiti vengono applicati per IP/chiave API e vengono attivati al raggiungimento della soglia RPM o TPM. Quando si fornisce una chiave API nell'intestazione della richiesta, i limiti di velocità vengono monitorati per chiave anziché per indirizzo IP.
ProdottoPunto finale APIDescrizionearrow_upwardsenza chiave APIkey_offcon chiave API gratuitakeycon chiave API a pagamentokeycon chiave API PremiumkeyLatenza mediaConteggio dell'utilizzo del tokenRichiesta consentita
API del Readerhttps://r.jina.aiConvertire l'URL in testo compatibile con LLM20 RPM500 RPM500 RPMtrending_up5000 RPM7.9sContare il numero di token nella risposta di output.GET/POST
API del Readerhttps://s.jina.aiCercare sul web e convertire i risultati in testo compatibile con LLMblock100 RPM100 RPMtrending_up1000 RPM2.5sOgni richiesta costa un numero fisso di token, a partire da 10000 tokenGET/POST
API di embeddinghttps://api.jina.ai/v1/embeddingsConvertire testo/immagini in vettori di lunghezza fissablock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
dipende dalla dimensione dell'input
help
Contare il numero di token nella richiesta di input.POST
API Rerankerhttps://api.jina.ai/v1/rerankClassificare i documenti per queryblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
dipende dalla dimensione dell'input
help
Contare il numero di token nella richiesta di input.POST

Ho bisogno di una licenza commerciale?

Autoverifica della licenza CC BY-NC
play_arrow
Stai utilizzando la nostra API ospitata o le nostre immagini ufficiali su Azure, AWS o GCP?
play_arrow
SÌ
Non è necessaria una licenza separata. L'utilizzo commerciale è regolato dai termini di servizio: registrati e paga tramite questo sito o il marketplace cloud.
play_arrow
NO
play_arrow
Gestisci tu stesso i pesi del modello, all'interno di un prodotto o servizio commerciale?
play_arrow
NO
Niente da acquistare. Il download, la valutazione, il benchmarking e l'utilizzo a fini di ricerca sono consentiti da ogni licenza con cui pubblichiamo, a condizione che venga citata la fonte.
play_arrow
SÌ
play_arrow
Quale licenza possiede la modella? È indicato sulla pagina della modella su Hugging Face.
play_arrow
Apache-2.0
Apache-2.0 consente l'uso commerciale. Non è necessario acquistare nulla. Questo include i nostri modelli precedenti di generazione v1 e v2.
play_arrow
CC BY-NC 4.0
È necessaria una licenza commerciale. Dal 10 agosto 2026, Elastic vende una licenza per i modelli Jina come SKU a sé stante, denominata Jina On-Prem. Questa licenza copre implementazioni self-managed, on-premise e air-gapped e non richiede un abbonamento a Elasticsearch.
Se sei già cliente Elastic, il tuo team di riferimento può aggiungerlo al tuo contratto esistente.
Contatta Elastic Sales
play_arrow
Licenza di ricerca Qwen
Una licenza di ricerca non consente l'uso commerciale e una licenza commerciale per gli altri nostri modelli non si estende a questo. Non esiste un'opzione commerciale per questo modello, né in locale né tramite API. Scegli invece un modello con una delle altre due licenze.
Domande comuni relative all'API
code
Posso utilizzare la stessa chiave API per tutte le API di Jina?
keyboard_arrow_down
Sì. Una singola chiave API è valida per tutti i prodotti della piattaforma di ricerca Jina AI, inclusi Reader, Embeddings, Reranker, Classifier e Segmenter, con token condivisi tra tutti.
code
Posso monitorare l'utilizzo del token della mia chiave API?
keyboard_arrow_down
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".
code
Cosa devo fare se dimentico la mia chiave API?
keyboard_arrow_down
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.
Contatto
code
Le chiavi API scadono?
keyboard_arrow_down
No, le nostre chiavi API non hanno una data di scadenza. Se una chiave viene compromessa, revocala tu stesso nella dashboard di gestione delle chiavi API, con effetto immediato; emetti prima una chiave sostitutiva se vuoi evitare tempi di inattività. Il saldo rimanente dei token resta sul tuo account anziché sulla chiave revocata. Se non riesci ad accedere alla dashboard o ritieni che l'account stesso sia stato compromesso, segnalalo al supporto Elastic.
Contatto
code
Posso trasferire token tra chiavi API?
keyboard_arrow_down
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.
code
Posso revocare la mia chiave API?
keyboard_arrow_down
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.
code
Perché la prima richiesta per alcuni modelli è lenta?
keyboard_arrow_down
Questo perché la nostra architettura serverless effettua l'offload di 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.
code
I miei dati API vengono utilizzati per addestrare i vostri modelli?
keyboard_arrow_down
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.
code
Quali sono i limiti di velocità per le API Jina?
keyboard_arrow_down
Si applicano limiti di frequenza per chiave API:

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

Esiste anche un limite basato su IP di 10.000 richieste ogni 60 secondi. I limiti variano in base all'endpoint; consultare la tabella dei limiti di frequenza sopra riportata per i valori per endpoint.
code
Esistono limiti alle dimensioni dei batch per le API?
keyboard_arrow_down
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.
code
Le API di Jina corrispondono ai modelli Jina all'interno di Elastic?
keyboard_arrow_down
No, si tratta di tre percorsi separati. Le API Jina su questo sito sono self-service e a consumo con una chiave API Jina. L'Elastic Inference Service (EIS) esegue i modelli Jina all'interno di Elastic Cloud, con fatturazione tramite l'abbonamento Elastic, senza che sia necessaria la gestione di alcuna infrastruttura. Jina On-Prem è una licenza commerciale, venduta da Elastic come SKU a sé stante dal 10 agosto 2026, per l'esecuzione dei modelli nella propria infrastruttura autogestita, on-premise o isolata dalla rete. Per i percorsi EIS e On-Prem, contattare il reparto vendite Elastic.
Domande comuni relative alla fatturazione
attach_money
La fatturazione è basata sul numero di frasi o richieste?
keyboard_arrow_down
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.
attach_money
È disponibile una prova gratuita per i nuovi utenti?
keyboard_arrow_down
Sì. I nuovi utenti ricevono una chiave API generata automaticamente con token gratuiti utilizzabili su tutti i nostri modelli. Una volta esauriti i token gratuiti, è possibile acquistarne altri per la chiave nella sezione "Acquista token".
attach_money
Vengono addebitati i token per le richieste non riuscite?
keyboard_arrow_down
No, i token non vengono detratti per le richieste non riuscite.
attach_money
Quali metodi di pagamento sono accettati?
keyboard_arrow_down
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.
attach_money
È disponibile la fatturazione per gli acquisti di token?
keyboard_arrow_down
Per gli acquisti di token self-service, Stripe emette una fattura all'indirizzo email associato al tuo account Stripe al momento dell'acquisto. Se hai bisogno di un ordine di acquisto formale, un contratto negoziato, documenti di approvvigionamento o fatturazione consolidata, che vengono gestiti tramite Elastic anziché Stripe: contatta il team vendite di Elastic.
attach_money
Come posso acquistare una licenza commerciale anziché token API?
keyboard_arrow_down
L'acquisto di token su questo sito copre l'utilizzo delle API Jina ospitate. Non ti autorizza a eseguire i pesi del modello nella tua infrastruttura. Per questo, Elastic vende una licenza commerciale come SKU a sé stante dal 10 agosto 2026, con un prezzo annuale anziché per token. Contatta il team vendite di Elastic per un preventivo.
attach_money
Posso pagare tramite fattura o ordine d'acquisto anziché con carta di credito?
keyboard_arrow_down
Gli acquisti di token self-service vengono elaborati tramite Stripe e fatturati automaticamente all'indirizzo email associato al tuo account Stripe. Per ordini di acquisto, processi di approvvigionamento o volumi superiori a quelli supportati dalla ricarica self-service, contatta il team vendite di Elastic.
attach_money
Ho effettuato il pagamento, ma il mio saldo o il limite di spesa non sono cambiati. Cosa devo controllare?
keyboard_arrow_down
Il saldo e i limiti tariffari appartengono a una chiave API, non all'account, quindi la prima cosa da verificare è la chiave stessa piuttosto che la pagina dell'account: inseriscila nella scheda Chiave API e fatturazione e verifica il saldo e il livello tariffario. Se l'account possiede più di una chiave, i token si trovano sulla chiave che è stata ricaricata, che potrebbe non essere la chiave inviata dalla tua applicazione. L'attivazione di un nuovo livello tariffario può richiedere un breve periodo di tempo dopo il pagamento. Se la chiave mostra il saldo corretto ma il limite rimane al livello tariffario precedente, contatta l'assistenza.
attach_money
Come faccio ad annullare, interrompere la ricarica automatica o rimuovere un metodo di pagamento salvato?
keyboard_arrow_down
La gestione della fatturazione self-service avviene tramite il portale clienti, accessibile attraverso la scheda "Chiave API e fatturazione", dove è possibile disattivare la ricarica automatica e rimuovere i metodi di pagamento salvati. Disattivando la ricarica automatica si interromperanno gli addebiti futuri, ma il saldo già acquistato rimarrà utilizzabile. Se si desidera anche la rimozione dell'account e dei relativi dati, o una richiesta di rimborso, è necessario inviare la richiesta all'assistenza; la cancellazione dell'account viene gestita manualmente e richiede alcuni giorni lavorativi. Al termine dell'operazione, si riceverà una conferma scritta.
Lingua / tema attuale
Search Foundation
Reader
Embeddings
Reranker
Ottieni la chiave API Jina
Limite di velocità
Chi siamo
Notizie
Scarica il logo Jina
open_in_new
Scarica il logo Elastic
open_in_new
Stato dell'API
Elastic © 2026.SicurezzaTermini & CondizioniPrivacyGestisci i cookieNon vendere né condividere le mie informazioni personali
Questo sito web e tutti i contenuti, software, prodotti e servizi ad esso associati sono destinati esclusivamente all'uso professionale. Non è previsto né raccomandato alcun utilizzo da parte dei consumatori.