Elastic
Jina AI
モデル
API
keyboard_arrow_down
Reader
任意の URL を Markdown に変換し、LLM のグラウンディングを向上させます。
Embeddings
マルチモーダルかつ多言語の埋め込み。
Reranker
検索エンジンのランキングを再調整して、検索関連性を最大化する。
Elastic Inference Service
Elasticsearch内でJinaモデルをネイティブに実行する。
MCP terminalコマンドラインarticlellms.txtsmart_toyエージェントdata_objectスキーマmenu_bookドキュメント
ログイン
login

Embeddings

検索、RAG、エージェント アプリケーション向けの最先端のマルチモーダルな多言語ロング コンテキスト ベクトル モデル。

ベクトルモデルAPI

検索システムと RAG システムを改善するために、当社の埋め込みモデルをお試しください。無料トライアルから始められます!
key鍵と請求
code使用量
more_horizもっと
chevron_leftchevron_right
home
speedレート制限
bug_reportIssue を作成
help_outlineよくある質問
サービス状況
chevron_leftchevron_right
upload
リクエスト
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。"
    + 入力を追加
  ]
}
EOFEOF

v5-omni: すべてを 1 つの embedding で

テキスト、画像、音声、動画 — 1 つの共有 embedding 空間、2 つのサイズ。v5-omni-small（1.6B）は、20 億パラメータ未満のオープンウェイト omni モデルの中で最高のパフォーマンスを発揮します。v5-omni-nano（0.9B）は、10 億未満のパラメータで競争力のある検索性能を提供します。どちらも v5-text とバイト単位で互換性があり、再インデックスは不要です。

v5-text: 新しい SOTA の小型多言語 embeddings

jina-embeddings-v5-textは、2つの効率的なサイズ（677Mの小型モデルと239Mのナノスケールモデル）で第5世代のベクトル品質を提供し、タスク固有のLoRAアダプタ、マトリョーシカ次元、32Kコンテキスト、エッジ展開のためのGGUF/MLX量子化により、MMTEB、MTEB英語、および検索タスクにおいて新たなベンチマークを確立します。

2つの購入方法

弊社の API をサブスクライブするか、クラウド サービス プロバイダーを通じて購入してください。
radio_button_unchecked
cloud
3 のクラウド サービス プロバイダーと連携します
AWS または Azure をご利用ですか?当社のモデルを自社のクラウド プラットフォームに直接デプロイし、CSP アカウント経由で請求を処理できます。
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
radio_button_checked
Jina Search Foundation API を利用
すべての製品にアクセスする最も簡単な方法。いつでもトークンをリチャージできます。
この API キーにさらにトークンを追加します
お住まいの地域によっては、米ドル、ユーロ、またはその他の通貨で請求される場合があります。税金が適用される場合があります。
リチャージするには正しい API キーを入力してください
レート制限について学ぶ
レート制限とは、1 分間に IP アドレス/API キー (RPM) ごとに API に対して実行できるリクエストの最大数です。各製品およびティアのレート制限の詳細については、以下をご覧ください。
keyboard_arrow_down
レート制限
レート制限は 3 つの方法で追跡されます: RPM (1 分あたりのリクエスト数)、および TPM (1 分あたりのトークン数)。制限は IP/API キーごとに適用され、RPM または TPM のしきい値のいずれかに先に達した時点でトリガーされます。リクエストヘッダーに API キーを指定すると、IP アドレスではなくキー単位でレート制限が追跡されます。
製品API エンドポイント説明arrow_upwardAPI キーなしkey_off無料 API キーありkey有料 API キーありkeyプレミアム API キーありkey平均遅延トークン使用量のカウント方法許可されるリクエスト
リーダーAPIhttps://r.jina.aiURL を LLM に適したテキストに変換する20 RPM500 RPM500 RPMtrending_up5000 RPM7.9s出力応答内のトークンの数に基づきます。GET/POST
リーダーAPIhttps://s.jina.aiWeb を検索し、結果を LLM に適したテキストに変換するblock100 RPM100 RPMtrending_up1000 RPM2.5s各リクエストには、10000 トークンから始まる固定数のトークンが必要です。GET/POST
Reranker APIhttps://api.jina.ai/v1/rerankクエリに基づいてドキュメントをランク付けするblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
入力サイズに依存
help
入力リクエスト内のトークンの数に基づきます。POST
ベクトルモデルAPIhttps://api.jina.ai/v1/embeddingsテキスト/画像を固定長ベクトルに変換するblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
入力サイズに依存
help
入力リクエスト内のトークンの数に基づきます。POST
分類子 APIhttps://api.jina.ai/v1/trainラベル付きサンプルを使用して分類器をトレーニングするblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokens × num_itersPOST
分類子 API (ゼロサンプル)https://api.jina.ai/v1/classifyゼロショット分類を使用して入力を分類するblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokens + label_tokensPOST
分類子 API (小さなサンプル)https://api.jina.ai/v1/classifyトレーニングされた少数ショット分類器を使用して入力を分類するblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokensPOST
セグメンタ APIhttps://api.jina.ai/v1/segment長いテキストをトークン化してセグメント化する20 RPM200 RPM200 RPM1,000 RPM0.3sトークンの使用量はカウントされません。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions推論し、検索し、繰り返して最善の答えを見つけるblock50 RPM50 RPM500 RPM56.7sプロセス全体のトークンの総数をカウントします。POST

オンプレミス展開

Jina Embeddings モデルを AWS Sagemaker と Microsoft Azure にデプロイし、まもなく Google Cloud サービスにもデプロイするか、当社の営業チームに問い合わせて、仮想プライベート クラウドとオンプレミス サーバー用のカスタム Kubernetes デプロイメントを入手してください。
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
API統合
当社のベクター モデル API は、一般的なデータベース、ベクター データベース、RAG および LLMOps フレームワークで簡単に使用できます。開始するには、API キーを以下の統合のいずれかにコピーするだけで、モデルをすぐに使用できます。
ベクトルストア
LLMOps
RAG
可観測性
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

私たちの論文

最先端の検索モデルがどのようにゼロから学習されているかを学び、最新の論文をご覧ください。EMNLP、SIGIR、ICLR、NeurIPS、ICMLで私たちのチームに会ってください！
arXiv
7月 20, 2026
jina-reranker-v3.5: An Efficient Listwise Reranker with Hybrid Attention and Self-Distillation
SIGIR 2026
5月 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
SIGIR 2026
2月 17, 2026
jina-embeddings-v5-text: Task-Targeted Embedding Distillation
ICLR 2026
1月 22, 2026
Embedding Compression via Spherical Coordinates
arXiv
12月 29, 2025
Vision Encoders in Vision-Language Models: A Survey
ICLR 2026
12月 04, 2025
Jina-VLM: Small Multilingual Vision Language Model
AAAI 2026
10月 01, 2025
jina-reranker-v3: Last but Not Late Interaction for Document Reranking
NeurIPS 2025
8月 31, 2025
Efficient Code Embeddings from Code Generation Models
EMNLP 2025
6月 24, 2025
jina-embeddings-v4: Universal Embeddings for Multimodal Multilingual Retrieval
ICLR 2025
3月 04, 2025
ReaderLM-v2: Small Language Model for HTML to Markdown and JSON
ACL 2025
12月 17, 2024
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
ICLR 2025
12月 12, 2024
jina-clip-v2: Multilingual Multimodal Embeddings for Text and Images
ECIR 2025
9月 18, 2024
jina-embeddings-v3: Multilingual Embeddings With Task LoRA
SIGIR 2025
9月 07, 2024
Late Chunking: Contextual Chunk Embeddings Using Long-Context Embedding Models
EMNLP 2024
8月 30, 2024
Jina-ColBERT-v2: A General-Purpose Multilingual Late Interaction Retriever
WWW 2025
6月 21, 2024
Leveraging Passage Embeddings for Efficient Listwise Reranking with Large Language Models
ICML 2024
5月 30, 2024
Jina CLIP: Your CLIP Model Is Also Your Text Retriever
arXiv
2月 26, 2024
Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings
arXiv
10月 30, 2023
Jina Embeddings 2: 8192-Token General-Purpose Text Embeddings for Long Documents
EMNLP 2023
7月 20, 2023
Jina Embeddings: A Novel Set of High-Performance Sentence Embedding Models
合計で 20 件の論文があります。

ベクトルモデルの学習

ベクトルとは何ですか?なぜベクトル化する必要があるのですか?始めるための記事がいくつかあります。包括的なガイドでベクトル モデルについて基礎から学びましょう。
5月 12, 2026 • 7 読む時間
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
5月 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.
3月 11, 2026 • 7 読む時間
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.
3月 06, 2026 • 6 読む時間
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.
Han Xiao

Reranker、ベクトル検索、BM25 の比較

以下の表は、Reranker、ベクトル/埋め込み検索、BM25 の包括的な比較を示し、各カテゴリにおける長所と短所を示しています。
Rerankerベクトル検索BM25
最適な用途検索の精度と関連性の向上初期の迅速なフィルタリング幅広いクエリにわたる一般的なテキスト検索
粒度詳細: サブドキュメントとクエリセグメント広範囲: 文書全体中程度: さまざまなテキストセグメント
クエリ時間の複雑さ高い中程度低い
インデックス作成時間の複雑さ不要高い低い、事前に構築されたインデックスを利用する
トレーニング時間の複雑さ高い高い不要
検索品質より詳細な問い合わせに最適効率と精度のバランス幅広いクエリに対する一貫性と信頼性
強み深い文脈理解による高精度中程度の精度で高速かつ効率的確立された機能で拡張性が高い
Reranker API を無料で試すEmbedding API を無料で試す

ベクトル モデルの進化ポスター

当社の丁寧に作られたポスターをオフィススペースやリビングルームに飾って、1950 年以来のテキスト ベクター モデルの進化と進化から次のインスピレーションを見つけてください。
ポスターを知る
shopping_cartポスターを購入する

よくある質問

Jina 埋め込みモデルはどのようにトレーニングされますか?
keyboard_arrow_down
トレーニング プロセス、データ ソース、評価の詳細については、arXiv で公開されている技術レポート jina-embeddings-v3 と jina-embeddings-v4 を参照してください。
launcharXiv
マルチモーダルベクトルモデルにはどのようなものがありますか？
keyboard_arrow_down
jina-embeddings-v4 は、当社の最新の汎用マルチモーダルモデル（38億パラメータ）です。テキストと画像の両方をサポートし、32K のコンテキスト長、密（dense）検索と遅延インタラクション（late-interaction）検索に対応し、視覚的にリッチなドキュメントで SOTA のパフォーマンスを実現します。jina-clip-v2 はより軽量な選択肢（8億6500万パラメータ）で、89 の言語をサポートし、画像解像度は 512x512、Matryoshka 表現に対応しています。どちらのモデルも、テキストからテキスト、テキストから画像、画像から画像の検索タスクにおいて非常に優れたパフォーマンスを発揮します。
launcharXiv
あなたのモデルはどの言語をサポートしていますか?
keyboard_arrow_down
jina-embeddings-v4 と jina-embeddings-v3 はどちらも89言語をサポートし、強力な多言語性能を誇ります。上位30言語は、アラビア語、ベンガル語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、グルジア語、ドイツ語、ギリシャ語、ヒンディー語、インドネシア語、イタリア語、日本語、韓国語、ラトビア語、ノルウェー語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、スロバキア語、スペイン語、スウェーデン語、タイ語、トルコ語、ウクライナ語、ウルドゥー語、ベトナム語です。jina-clip-v2 も、マルチモーダルタスクにおいて89言語をサポートしています。
launcharXiv
単一の文入力の最大長はどれくらいですか?
keyboard_arrow_down
コンテキスト長はモデルによって異なります。jina-embeddings-v4 は最大32Kトークンをサポートし、jina-embeddings-v3 と jina-clip-v2 は最大8192トークンをサポートします。1 トークンは 1 文字から単語 1 つ分に相当します。この拡張されたコンテキストにより、大量のテキストデータに対する包括的なドキュメント分析が可能になり、コンテキスト理解の精度が向上します。
1 つのリクエストには何文を含めることができますか?
keyboard_arrow_down
各リクエストに含めることができるアイテムの数に厳密な制限はありません。APIはGPU利用率を最適化するため、トークンの数に基づいて入力を内部的にバッチ処理します。1回のリクエストで任意の数のテキストまたは画像を送信できます。
画像をマルチモーダルベクターモデルに送信する方法は？
keyboard_arrow_down
jina-embeddings-v4、jina-clip-v2、jina-clip-v1 では、API リクエストの input フィールドに url または bytes を使用できます。url には、処理する画像の URL を指定します。bytes には、画像を base64 形式でエンコードします。jina-embeddings-v4 は、PDF の URL または base64 でエンコードした PDF のバイト列を渡すことで、PDF ドキュメントを直接ベクトル化することもできます。
Jina Embeddings モデルは、OpenAI や Cohere の最新のベクトル モデルとどのように比較されますか?
keyboard_arrow_down
jina-embeddings-v4 は、当社の最新のフラッグシップモデルであり、視覚的にリッチな文書検索（ViDoRe）とマルチモーダルベンチマークで SOTA のパフォーマンスを達成しています。テキストのみのタスクでは、jina-embeddings-v3 は MTEB 英語および多言語ベンチマークにおいて OpenAI および Cohere を上回り、サイズも小さく、より効率的です。両モデルとも Matryoshka Representation Learning（MRL）をサポートしており、パフォーマンスを大幅に低下させることなく次元の切り捨てが可能です（v3 は 32 次元まで、v4 は 128 次元まで）。
OpenAI の text-embedding-3-large から Jina Embeddings モデルに移行するにはどうすればよいですか?
keyboard_arrow_down
移行はスムーズです。当社の API エンドポイントは、OpenAI の text-embedding-3-large モデルの入力および出力 JSON スキーマと一致しているためです。この互換性により、ユーザーは OpenAI のエンドポイントを使用する際に、OpenAI のモデルを当社のモデルへ簡単に置き換えることができます。
jina-clip および jina-embeddings モデルを使用する場合、トークンはどのように計算されますか?
keyboard_arrow_down
トークンはテキストの長さと画像のサイズに基づいて計算されます。リクエスト内のテキストについては、標準的な方法でトークンが計算されます。画像については、以下の手順が実行されます。 1. タイルサイズ: 各画像はタイルに分割されます。jina-embeddings-v4 の場合、タイルサイズは28x28ピクセル、jina-clip-v2 の場合、タイルサイズは512x512ピクセル、jina-clip-v1 の場合、タイルサイズは224x224ピクセルです。 2. カバー率: 入力画像をカバーするために必要なタイルの数を計算します。画像サイズがタイルサイズで正確に割り切れない場合でも、部分的なタイルは完全なタイルとしてカウントされます。 3. タイルの総数: 画像をカバーするタイルの総数によってコストが決まります。例えば、600x600ピクセルの画像は、jina-embeddings-v4では22x22タイル（484タイル）、jina-clip-v2では2x2タイル（4タイル）、jina-clip-v1では3x3タイル（9タイル）で覆われます。 4. コスト計算：jina-embeddings-v4の場合、タイル1つあたりのコストは10トークン、jina-clip-v2の場合、タイル1つあたりのコストは4000トークン、jina-clip-v1の場合、タイル1つあたりのコストは1000トークンです。 例： 600x600ピクセルの画像の場合： • jina-embeddings-v4 を使用する場合 • 画像は28x28ピクセルのタイルに分割されます。 • 必要なタイルの総数は、22 (横) x 22 (縦) = 484 タイルです。 • jina-embeddings-v4 のコストは、484 * 10 = 4840 トークンです。 • jina-clip-v2 を使用します。 • 画像は 512 x 512 ピクセルのタイルに分割されます。 • 必要なタイルの総数は、2 (横) x 2 (縦) = 4 タイルです。 • jina-clip-v2 のコストは、4 * 4000 = 16000 トークンです。 • jina-clip-v1 を使用します。 • 画像は 224 x 224 ピクセルのタイルに分割されます。 • 必要なタイルの総数は、3（横）×3（縦）＝9枚です。 • jina-clip-v1のコストは、9×1000＝9000トークンです。
画像や音声をベクトル化するモデルは提供していますか?
keyboard_arrow_down
はい、jina-embeddings-v4、jina-clip-v2、jina-clip-v1 は画像とテキストの両方をベクトル化できます。より多くのモダリティに対応したベクトル モデルも近日中に発表される予定です。
Jina Embedding モデルは個人データまたは企業データを使用して微調整できますか?
keyboard_arrow_down
特定のデータを使用したモデルの微調整についてご質問がある場合は、要件についてお問い合わせください。私たちのモデルをお客様のニーズに合わせてどのように適応できるかを検討したいと考えています。
お問い合わせ
サービスを AWS、Azure、または GCP にプライベートにデプロイできますか?
keyboard_arrow_down
はい、当社のサービスは AWS、Azure、GCP マーケットプレイスで利用できます。特定の要件がある場合は、セールス AT jina.ai までお問い合わせください。
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
「タスク」パラメータとは何ですか？どのような状況で使用すればよいですか？
keyboard_arrow_down
jina-embeddings-v3 と jina-embeddings-v4 の task パラメータは、タスク固有の LoRA アダプタを有効化し、最適なパフォーマンスを実現します。検索クエリには retrieval.query、検索対象のドキュメントには retrieval.passage、意味的類似度には text-matching、テキスト分類には classification、クラスタリングタスクには separation を使用してください。
遅延インタラクティブ検索とは何ですか？どのモデルがこの検索方法をサポートしていますか？
keyboard_arrow_down
jina-embeddings-v4 は、output_type パラメータを介して、密（単一ベクトル）検索と遅延インタラクション（複数ベクトル）検索の両方をサポートします。遅延インタラクションは、より細かい粒度のトークンレベルの情報を保持するため、複雑なクエリでも検索精度が向上します。jina-colbert-v2 は、遅延インタラクション専用のモデルです。
遅延チャンクとは何ですか？どのような状況で使用すればよいですか？
keyboard_arrow_down
レイトチャンキングは、まず長コンテキストモデルを用いて文書全体をベクトル化し、次にトークンレベルの表現からチャンクの埋め込みを抽出する手法です。素朴なチャンキング（先にチャンク分割してから埋め込む）とは異なり、レイトチャンキングはチャンク間のコンテキストを保持するため、RAG アプリケーションの検索性能が向上します。この機能は、jina-embeddings-v3 の late_chunking パラメータで有効化できます。
API でサポートされるコンテキストの長さがモデルの最大容量と異なるのはなぜですか?
keyboard_arrow_down
一部の埋め込みモデルはアーキテクチャ上、より長いコンテキスト長を処理できますが、推論インフラストラクチャにおけるGPUメモリの制約により、APIによって制限値が低くなる場合があります。非常に長いシーケンスの処理には大量のメモリが必要となるため、スループット、レイテンシ、コストのバランスをとるために、ほとんどのユースケース向けにサービス構成を最適化しています。より長いコンテキスト長のサポートが必要な場合は、専用の導入ソリューションについて営業チームまでお問い合わせください。
jina-embeddings-v4 は無料なのになぜこんなに遅いのでしょうか?
keyboard_arrow_down
jina-embeddings-v4 は、Qwen Research License に基づいてリリースされている Qwen2-VL ベースモデル上に構築されています。このライセンスは研究および非商用利用のみを許可しているため、jina-embeddings-v4 を商用製品として提供することはできません。そのため、このモデルへのアクセスは API 経由で無料で提供しています。jina-embeddings-v4 が他のモデルよりも遅く見える理由は 2 つあります。1 つ目は、jina-embeddings-v4 は jina-embeddings-v3 よりも大幅に大きいモデルであるため、本質的にリクエストあたりの計算時間が長くなることです。2 つ目は、このモデルを商用化できないため、インフラストラクチャコストを抑えるために API スループットを意図的に制限していることです。jina-embeddings-v4 API を使用する際に、大量処理や本番環境レベルのスループットを期待しないでください。より高いスループットを必要とする本番ワークロードの場合は、jina-embeddings-v3 を使用するか、Hugging Face 経由で独自のインフラストラクチャに jina-embeddings-v4 をデプロイすることをお勧めします。
Embeddings API のレート制限は何ですか?
keyboard_arrow_down
レート制限はAPIキーの種類によって異なります。

無料版: 100 RPM、100K TPM、同時リクエスト数 2
有料版: 500 RPM、2M TPM、同時リクエスト数 50
プレミアム版: 5,000 RPM、50M TPM、同時リクエスト数 500

さらに、不正使用を防ぐため、IPアドレスベースのレート制限も設けており、60秒あたり最大10,000リクエストまでに制限されています。より高い制限が必要な場合は、営業チームにお問い合わせください。
各埋め込みモデルのコンテキストの長さの制限は何ですか?
keyboard_arrow_down
各モデルには、入力ごとに最大コンテキスト長の制限があります。

jina-embeddings-v4: 32,768 トークン
jina-embeddings-v3: 8,192 トークン
jina-embeddings-v2-*: 8,192 トークン
jina-clip-v1/v2: 8,192 トークン
jina-colbert-v1/v2: 8,192 トークン
jina-code-embeddings-*: 32,768 トークン

truncate: true が設定されていない場合、制限を超える入力はエラーを返します。これを設定すると、入力は最大長に自動的に切り捨てられます。
画像や PDF ファイルのサイズ制限は何ですか?
keyboard_arrow_down
ファイルの最大サイズは、画​​像: 5 MB、PDF: 8 MBです。この制限を超えるファイルは拒否され、エラーメッセージが表示されます。

API キーを取得するにはどうすればよいですか?

video_not_supported

レート制限とは何ですか?

レート制限
レート制限は 3 つの方法で追跡されます: RPM (1 分あたりのリクエスト数)、および TPM (1 分あたりのトークン数)。制限は IP/API キーごとに適用され、RPM または TPM のしきい値のいずれかに先に達した時点でトリガーされます。リクエストヘッダーに API キーを指定すると、IP アドレスではなくキー単位でレート制限が追跡されます。
製品API エンドポイント説明arrow_upwardAPI キーなしkey_off無料 API キーありkey有料 API キーありkeyプレミアム API キーありkey平均遅延トークン使用量のカウント方法許可されるリクエスト
リーダーAPIhttps://r.jina.aiURL を LLM に適したテキストに変換する20 RPM500 RPM500 RPMtrending_up5000 RPM7.9s出力応答内のトークンの数に基づきます。GET/POST
リーダーAPIhttps://s.jina.aiWeb を検索し、結果を LLM に適したテキストに変換するblock100 RPM100 RPMtrending_up1000 RPM2.5s各リクエストには、10000 トークンから始まる固定数のトークンが必要です。GET/POST
Reranker APIhttps://api.jina.ai/v1/rerankクエリに基づいてドキュメントをランク付けするblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
入力サイズに依存
help
入力リクエスト内のトークンの数に基づきます。POST
ベクトルモデルAPIhttps://api.jina.ai/v1/embeddingsテキスト/画像を固定長ベクトルに変換するblock100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
入力サイズに依存
help
入力リクエスト内のトークンの数に基づきます。POST
分類子 APIhttps://api.jina.ai/v1/trainラベル付きサンプルを使用して分類器をトレーニングするblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokens × num_itersPOST
分類子 API (ゼロサンプル)https://api.jina.ai/v1/classifyゼロショット分類を使用して入力を分類するblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokens + label_tokensPOST
分類子 API (小さなサンプル)https://api.jina.ai/v1/classifyトレーニングされた少数ショット分類器を使用して入力を分類するblock25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
入力サイズに依存
トークン数の計算: input_tokensPOST
セグメンタ APIhttps://api.jina.ai/v1/segment長いテキストをトークン化してセグメント化する20 RPM200 RPM200 RPM1,000 RPM0.3sトークンの使用量はカウントされません。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions推論し、検索し、繰り返して最善の答えを見つけるblock50 RPM50 RPM500 RPM56.7sプロセス全体のトークンの総数をカウントします。POST

商用ライセンスは必要ですか?

CC BY-NC ライセンスのセルフチェック
play_arrow
Azure、AWS、または GCP で当社の公式 API または公式イメージを使用していますか?
play_arrow
はい
制限はありません。当社のウェブサイトまたはクラウドマーケットプレイスからご登録とお支払いいただくだけです。
play_arrow
いいえ
play_arrow
あなたは Elastic の有料顧客ですか?
play_arrow
はい
Elasticライセンスには既に商用利用が含まれている場合があります。ご質問がございましたら、Elasticの営業担当者までお問い合わせください。
営業担当者に問い合わせる
play_arrow
いいえ
現在、個別の商用ライセンス契約を発行することはできません。詳細については、Elasticの営業担当までお問い合わせください。
営業担当者に問い合わせる
API関連のFAQ
code
Reader、Embedding、Reranker、Classifier、Fine-Tuned Model API に同じ API キーを使用できますか?
keyboard_arrow_down
はい、同じ API キーが Jina AI のすべての Search Foundation 製品で有効です。これには Reader、Embedding、Reranker、Classifier、Fine-tuning の各 API が含まれ、すべてのサービス間でトークンが共有されます。
code
API キーのトークンの使用状況を表示できますか?
keyboard_arrow_down
はい、[API Key & Billing] タブに API キーを入力すると、トークンの使用状況を確認でき、最近の使用履歴と残りのトークンを表示できます。API ダッシュボードにログインしている場合は、[Manage API Key] タブでもこれらの詳細を確認できます。
code
API キーを忘れた場合はどうすればよいですか?
keyboard_arrow_down
リチャージ キーを紛失し、再取得したい場合は、登録した電子メールを使用してサポート AT jina.ai までご連絡ください。安全に保管し、API キーに簡単にアクセスできるように、ログインすることをお勧めします。
お問い合わせ
code
API キーには有効期限がありますか?
keyboard_arrow_down
いいえ、API キーには有効期限がありません。ただし、キーが漏洩した疑いがあり、キーを無効化したい場合は、当社のサポートチームにご連絡ください。API キー管理ダッシュボードでキーを取り消すこともできます。
お問い合わせ
code
API キー間でトークン残高を転送できますか?
keyboard_arrow_down
はい、プレミアムキーから別のキーへトークンを移すことができます。API キー管理ダッシュボードでアカウントにログインした後、移転元にしたいキーの設定から、残りの有料トークンをすべて移動してください。
code
API キーを破棄してもいいですか?
keyboard_arrow_down
はい、API キーが漏洩したと思われる場合は取り消すことができます。キーを取り消すと、そのキーを保存しているすべてのユーザーに対して即座に無効となり、残りの残高と関連する属性はすべて永久に利用できなくなります。プレミアムキーの場合は、取り消す前に残りの有料残高を別のキーに移すこともできます。この操作は元に戻せないことにご注意ください。キーを取り消すには、API キー管理ダッシュボードのキー設定に移動してください。
code
一部のモデルの初回リクエストに時間がかかるのはなぜですか?
keyboard_arrow_down
これは、使用率が低い場合、サーバーレス アーキテクチャが特定のモデルをオフロードするためです。最初のリクエストではモデルがアクティブ化または「ウォームアップ」されますが、これには数秒かかる場合があります。最初のアクティベーションの後、後続のリクエストははるかに高速に処理されます。
code
私の API データはモデルのトレーニングに使用されましたか?
keyboard_arrow_down
いいえ。当社は、APIリクエスト、入力、出力を、当社の埋め込みモデル、リランカー、その他のモデルのトレーニングに使用することはありません。お客様のデータはお客様のものです。
code
Jina API のレート制限は何ですか?
keyboard_arrow_down
レート制限は API キーごとに適用されます。

無料版: 100 RPM、100K TPM、同時リクエスト数 2
有料版: 500 RPM、2M TPM、同時リクエスト数 50
プレミアム版: 5,000 RPM、50M TPM、同時リクエスト数 500

さらに、IP アドレスに基づくレート制限（60 秒あたり 10,000 リクエスト）があります。これらの制限は、すべての Jina API（Embeddings、Reranker、Reader など）に適用されます。
code
API にはバッチ サイズの制限がありますか?
keyboard_arrow_down
Embeddings API と Reranker API のいずれにもバッチサイズの制限はありません。必要に応じて、リクエストごとに任意の数のアイテムまたはドキュメントを送信できます。どちらの API も、GPU を最適に利用するために、トークン数に基づいて入力を内部的にバッチ処理します。
請求に関するよくある質問
attach_money
API の料金は文の数またはリクエストの数に基づいて課金されますか?
keyboard_arrow_down
当社の価格モデルは処理されるトークンの総数に基づいており、ユーザーはこれらのトークンを任意の数の文に柔軟に割り当てることができ、さまざまなテキスト分析ニーズに費用対効果の高いソリューションを提供します。
attach_money
新規ユーザーは無料トライアルを利用できますか?
keyboard_arrow_down
新規ユーザーには無料トライアルを提供しており、これには自動生成された API キーを介して引き換えられる、当社のどのモデルでも使用できる 1,000 万トークンが含まれています。無料トークンを使い切ったら、ユーザーは「トークンを購入」タブから API キーで使用するための追加トークンを簡単に購入できます。
attach_money
失敗したリクエストに対してトークンは差し引かれますか?
keyboard_arrow_down
いいえ、失敗したリクエストに対してトークンは差し引かれません。
attach_money
どのような支払い方法が利用できますか?
keyboard_arrow_down
支払いは Stripe を通じて処理され、クレジット カード、Google Pay、PayPal などの複数の支払い方法がサポートされているため、便利です。
attach_money
トークンの購入について請求書は発行されますか?
keyboard_arrow_down
はい、トークンを購入すると、Stripe アカウントに関連付けられた電子メール アドレスに請求書が送信されます。
現在の言語 / テーマ
Search Foundation
Reader
Embeddings
Reranker
Jina APIキーを取得する
レート制限
私たちについて
ニュース
Jinaロゴをダウンロード
open_in_new
Elasticロゴをダウンロード
open_in_new
APIステータス
Elastic © 2026.セキュリティ利用規約プライバシーCookieを管理する私の個人情報を販売したり、共有したりしないでください。
このウェブサイトおよび関連するすべてのコンテンツ、ソフトウェア、製品、サービスは、専門家による利用のみを目的としています。一般消費者向けのものではなく、一般消費者による利用も推奨されていません。