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！
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": [
    "Organic skincare for sensitive skin with aloe vera and chamomile: Imagine the soothing embrace of na…ing, healthy complexion.",
    "Bio-Hautpflege für empfindliche Haut mit Aloe Vera und Kamille: Erleben Sie die wohltuende Wirkung u…einen strahlenden Teint.",
    "Cuidado de la piel orgánico para piel sensible con aloe vera y manzanilla: Descubre el poder de la n…el radiante y saludable.",
    "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。",
    "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、Matryoshka 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。
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

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
MongoDB
DataStax
Qdrant
Pinecone
Chroma
Weaviate
Milvus
Epsilla
MyScale
LlamaIndex
Haystack
Langchain
Dify
SuperDuperDB
DashVector
Portkey
Baseten
TiDB
LanceDB
Carbon

私たちの論文

最先端の検索モデルをゼロからどう訓練したか、最新の研究成果もご紹介します。EMNLP、SIGIR、ICLR、NeurIPS、ICML では、当社チームにお立ち会いください！
arXiv
9月 02, 2026
jina-ocr-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards
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 21 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.
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.
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.
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.

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
ポスターを購入する

よくある質問

API キーを取得するにはどうすればよいですか？

レート制限とは何ですか？

レート制限
レート制限は 2 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API キーなし無料 API キーあり有料 API キーありプレミアム API キーあり平均レイテンシトークン使用量のカウント方法許可されるリクエスト
Reader APIhttps://r.jina.aiURL を LLM に適したテキストに変換する20 RPM500 RPM500 RPM5000 RPM7.9s出力応答内のトークンの数に基づきます。GET/POST
Reader 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100 RPM100 RPM1000 RPM2.5s各リクエストには、10,000 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100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
入力サイズに依存
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100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
入力サイズに依存
入力リクエスト内のトークンの数に基づきます。POST

商用ライセンスは必要ですか？

CC BY-NCライセンスの自己チェック
弊社のマネージドAPIをご利用ですか、それともAzure、AWS、GCP上の公式ミラーをご利用ですか？
API関連のFAQ
請求に関するよくある質問
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
Elasticロゴをダウンロード
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コンテンツ、ソフトウェア、製品、サービスは、すべて専門的な利用を目的としています。消費者向けの利用は想定していません。