Embeddings

검색, RAG, 에이전트 애플리케이션을 위한 최고 성능의 멀티모달·다국어·롱컨텍스트 임베딩입니다.

벡터 모델 API

검색 및 RAG 시스템을 개선하려면 저희 임베딩 모델을 사용해 보세요. 무료 체험으로 시작하세요!
요청
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。"
    + 입력을 추가하세요
  ]
}
EOFEOF

v5-omni: 모든 것을 위한 하나의 임베딩

텍스트, 이미지, 오디오, 비디오 등 모든 데이터가 하나의 공유 임베딩 공간을 사용하며, 두 가지 크기로 제공됩니다. v5-omni-small(16억)은 파라미터 20억 개 미만 중 가장 우수한 성능의 오픈 웨이트 옴니 모델입니다. v5-omni-nano(9억)는 10억 개 미만의 파라미터로도 경쟁력 있는 검색 성능을 제공합니다. 두 모델 모두 v5-text와 바이트 단위로 호환되므로 재인덱싱이 필요하지 않습니다.

v5-text: 새로운 SOTA 소규모 다국어 임베딩

jina-embeddings-v5-text는 두 가지 효율적인 크기(677M 소형 모델 및 239M 나노스케일 모델)로 5세대 벡터 품질을 제공하며, 작업별 LoRA 어댑터, Matryoshka 차원, 32K 컨텍스트 및 엣지 배포를 위한 GGUF/MLX 양자화를 통해 MMTEB, MTEB 영어 및 검색 작업에서 새로운 벤치마크를 설정합니다.

구매 방법 두 가지

저희 API를 구독하시거나 클라우드 서비스 제공업체를 통해 구매하세요.
Jina Search Foundation API 사용
당사의 모든 제품에 접근할 수 있는 가장 쉬운 방법입니다. 언제든지 토큰을 재충전하세요.
더 많은 토큰으로 이 API 키를 충전하세요
위치에 따라 미국 달러, 유로 또는 기타 통화로 요금이 청구될 수 있습니다. 세금이 적용될 수 있습니다.
재충전하려면 올바른 API 키를 입력하세요.

온프레미스 배포

AWS SageMaker 및 Microsoft Azure와 곧 Google Cloud Services에 Jina Embeddings 모델을 배포하거나 영업팀에 문의하여 가상 프라이빗 클라우드 및 온프레미스 서버에 대한 맞춤형 Kubernetes 배포를 받으세요.
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
API 통합
당사의 Embedding API는 다양한 유명 데이터베이스, 벡터 스토어, RAG 및 LLMOps 프레임워크와 기본적으로 통합되어 있습니다. 시작하려면 나열된 통합 중 하나에 API 키를 복사하여 붙여넣기만 하면 빠르고 원활하게 사용할 수 있습니다.
벡터 스토어
LLMOps
RAG
관측 가능성
MongoDB
DataStax
Qdrant
Pinecone
Chroma
Weaviate
Milvus
Epsilla
MyScale
LlamaIndex
Haystack
Langchain
Dify
SuperDuperDB
DashVector
Portkey
Baseten
TiDB
LanceDB
Carbon

우리의 논문

최첨단 검색 모델이 어떻게 처음부터 학습되는지 알아보고 최신 논문도 확인해 보세요. EMNLP, SIGIR, ICLR, NeurIPS, ICML의 저희 팀을 만나보세요!
arXiv
9월 02, 2026
jina-ocr-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards
arXiv
7월 20, 2026
jina-reranker-v3.5: An Efficient Listwise Reranker with Hybrid Attention and Self-Distillation
SIGIR 2026
5월 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
SIGIR 2026
2월 17, 2026
jina-embeddings-v5-text: Task-Targeted Embedding Distillation
ICLR 2026
1월 22, 2026
Embedding Compression via Spherical Coordinates
arXiv
12월 29, 2025
Vision Encoders in Vision-Language Models: A Survey
ICLR 2026
12월 04, 2025
Jina-VLM: Small Multilingual Vision Language Model
AAAI 2026
10월 01, 2025
jina-reranker-v3: Last but Not Late Interaction for Document Reranking
NeurIPS 2025
8월 31, 2025
Efficient Code Embeddings from Code Generation Models
EMNLP 2025
6월 24, 2025
jina-embeddings-v4: Universal Embeddings for Multimodal Multilingual Retrieval
ICLR 2025
3월 04, 2025
ReaderLM-v2: Small Language Model for HTML to Markdown and JSON
ACL 2025
12월 17, 2024
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
ICLR 2025
12월 12, 2024
jina-clip-v2: Multilingual Multimodal Embeddings for Text and Images
ECIR 2025
9월 18, 2024
jina-embeddings-v3: Multilingual Embeddings With Task LoRA
SIGIR 2025
9월 07, 2024
Late Chunking: Contextual Chunk Embeddings Using Long-Context Embedding Models
EMNLP 2024
8월 30, 2024
Jina-ColBERT-v2: A General-Purpose Multilingual Late Interaction Retriever
WWW 2025
6월 21, 2024
Leveraging Passage Embeddings for Efficient Listwise Reranking with Large Language Models
ICML 2024
5월 30, 2024
Jina CLIP: Your CLIP Model Is Also Your Text Retriever
arXiv
2월 26, 2024
Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings
arXiv
10월 30, 2023
Jina Embeddings 2: 8192-Token General-Purpose Text Embeddings for Long Documents
EMNLP 2023
7월 20, 2023
Jina Embeddings: A Novel Set of High-Performance Sentence Embedding Models
총 21개의 논문.

벡터 모델 학습

벡터란 무엇이며 벡터화해야 하는 이유는 무엇입니까? 시작하는 데 도움이 되는 몇 가지 기사가 있습니다. 당사의 종합 가이드를 통해 벡터 모델에 대해 처음부터 자세히 알아보세요.
5월 12, 2026 • 7 분 소요
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.
5월 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.
3월 11, 2026 • 7 분 소요
Bootstrapping Audio Embeddings from Multimodal LLMs
Turn any multimodal LLM into a small audio embedding model that beats CLAP with 25x less data.
3월 06, 2026 • 6 분 소요
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.

리랭커, 벡터 검색, BM25 비교

아래 표는 리랭커, 벡터/임베딩 검색, BM25를 종합적으로 비교하여 여러 범주에서의 강점과 약점을 보여줍니다.
Reranker벡터 검색BM25
가장 적합한 용도향상된 검색 정밀도 및 관련성초기, 빠른 필터링광범위한 쿼리에 대한 일반 텍스트 검색
세분성세부 정보: 하위 문서 및 쿼리 세그먼트광범위: 전체 문서중급: 다양한 텍스트 조각
쿼리 시간 복잡도높음보통낮음
인덱스 시간 복잡도불필요높음낮음, 사전 구축된 인덱스 활용
훈련 시간 복잡도높음높음불필요
검색 품질미묘한 뉘앙스의 쿼리에 탁월함효율성과 정확성 사이의 균형다양한 쿼리에 대해 일관되고 안정적임
강점깊은 맥락 이해로 매우 정확함적당한 정확도로 빠르고 효율적검증된 효과와 함께 확장성이 뛰어남
Reranker API 무료로 사용해 보기Embedding API 무료로 사용해 보기

벡터 모델의 진화 포스터

1950년 이후 텍스트 벡터 모델의 진화를 담은 매혹적인 인포그래픽과 인상적인 비주얼로, 공간에 어울리는 완벽한 포스터를 찾아보세요.
제작 과정 알아보기
포스터 구매

자주 묻는 질문

API 키를 어떻게 얻나요?

속도 제한은 무엇입니까?

속도 제한
속도 제한은 두 가지 방식으로 추적됩니다. RPM(분당 요청 수)과 TPM(분당 토큰 수)입니다. 제한은 IP/API 키별로 적용되며 RPM 또는 TPM 임계값 중 먼저 도달하는 쪽에서 트리거됩니다. 요청 헤더에 API 키를 제공하면 IP 주소 대신 키별로 속도 제한을 추적합니다.
제품API 엔드포인트설명API 키 없음무료 API 키 사용 시유료 API 키 사용 시프리미엄 API 키 사용 시평균 지연토큰 사용량 계산허용 요청
Reader APIhttps://r.jina.aiURL을 LLM 친화적인 텍스트로 변환20 RPM500 RPM500 RPM5000 RPM7.9s출력 응답의 토큰 수를 기준으로 합니다.GET/POST
Reader APIhttps://s.jina.ai웹 검색 후 결과를 LLM 친화적인 텍스트로 변환100 RPM100 RPM1000 RPM2.5s각 요청에는 10,000개의 토큰으로 시작하는 고정된 수의 토큰이 필요합니다.GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank쿼리 기준으로 문서 순위 매기기100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
입력 크기에 따라 다름
입력 요청의 토큰 수를 기준으로 합니다.POST
벡터 모델 APIhttps://api.jina.ai/v1/embeddings텍스트/이미지를 고정 길이 벡터로 변환100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
입력 크기에 따라 다름
입력 요청의 토큰 수를 기준으로 합니다.POST

상업용 라이센스가 필요합니까?

CC BY-NC 라이선스 자가 점검
저희 관리형 API를 사용하고 계신가요, 아니면 Azure, AWS 또는 GCP의 공식 미러를 사용하고 계신가요?
API 관련 FAQ
청구 관련 자주 묻는 질문
현재 언어 / 테마
Search Foundation
Reader
Embeddings
Reranker
Jina API 키 받기
속도 제한
회사 소개
소식
Jina 로고 다운로드
Elastic 로고 다운로드
API 상태
Elastic © 2026.보안이용약관개인정보 보호쿠키 관리제 개인 정보를 판매하거나 공유하지 마세요.
본 웹사이트와 모든 관련 콘텐츠, 소프트웨어, 제품 및 서비스는 전문 목적 사용을 위한 것입니다. 소비자 사용은 의도되지 않았습니다.