Связаться с отделом продаж

Да. Jina трансформируется в бренд, ориентированный на поисковые модели. Представьте это как переход от Qwen к Alibaba, от GPT к OpenAI или от Kimi к Moonshot. Мы постепенно изменим юридическое наименование компании с "Jina AI" на Elastic, что позволит Jina AI сосредоточиться исключительно на моделях поисковой оптимизации как бренде.

Встраивание данных, переранжирование и небольшие языковые модели для улучшения поиска. Наша миссия еще не выполнена — мы никогда не скрывали своей цели: стать поставщиком поисковых моделей мирового класса.

Да. Разработка и поддержка API для чтения, API для встраивания и API для ранжирования будут продолжены. Для каждой выпущенной нами модели мы также будем публиковать ее на облачных платформах. Вы можете продолжать использовать наши API-сервисы, как и раньше. Единственное исключение — мы не можем обслуживать организации или страны, подпадающие под действие экспортного контроля США.

Да. В Elastic Джина продолжит расширять границы возможностей моделей поисковой оптимизации, и мы продолжим выпускать модели с открытыми весами.

Мы продолжим публиковать материалы под лицензией CC-BY-NC 4.0, если только обстоятельства не изменятся, что маловероятно.

Да. Каждая выпущенная нами модель будет подкреплена серьезной научной статьей, и мы продолжим подавать заявки на участие в ведущих конференциях, таких как ICLR, EMNLP, SIGIR, NeurIPS и ICML.

Просто зарегистрируйтесь и оплатите через наш веб-сайт или соответствующую облачную торговую площадку, как и раньше.

В настоящее время наши продукты не входят в ассортимент Elastic, поэтому для доступа к этим услугам вам по-прежнему потребуется оплачивать их через наш веб-сайт. В ближайшем будущем модели Jina будут доступны через Elastic Inference Service.

Если у вас есть платная лицензия Elastic, коммерческое использование наших моделей, скорее всего, уже включено. Вы можете начать использовать их напрямую. Если вы не уверены, пожалуйста, свяжитесь с вашим представителем отдела продаж Elastic или специалистом по технической поддержке на местах — они свяжутся с нами для подтверждения.

В настоящее время мы интегрируемся с Elastic, поэтому дальнейшие шаги скоро станут яснее. На данный момент мы не можем заключать отдельные коммерческие лицензионные соглашения на наши модели.

У нас нет юридического лица в Китае, поэтому мы не можем выставлять счета в Китае. Счета выставляет компания Jina AI GmbH, наш головной офис в Германии.

Договорные соглашения всегда составляли лишь небольшую часть коммерческой модели Jina AI — большинство наших клиентов используют самообслуживание с оплатой по мере использования. В настоящее время, пока мы интегрируемся с Elastic, мы не заключаем новые контракты.

Свяжитесь с представителем отдела продаж Elastic, и мы организуем встречу между вами, командой Jina AI и представителями Elastic для обсуждения вопросов.

API для чтения бесплатен для базового использования — просто добавьте 'https://r.jina.ai/' к вашему URL. Для более высоких лимитов запросов вы можете указать ключ API, который будет взимать токены в зависимости от длины контента. Подробности об ограничениях запросов см. в вопросе 16.

API Reader использует прокси-сервер для получения любого URL-адреса, отображая его содержимое в браузере для извлечения высококачественного основного контента.

Да, Reader API имеет открытый исходный код и доступен в репозитории Jina AI GitHub.

Reader API обычно обрабатывает URL-адреса и возвращает контент в течение 2 секунд, хотя для сложных или динамических страниц может потребоваться больше времени.

Парсинг может быть сложным и ненадежным, особенно для сложных или динамических страниц. Reader API обеспечивает оптимизированный и надежный вывод чистого текста, готового к LLM.

API Reader возвращает контент на исходном языке URL-адреса. Он не предоставляет услуги перевода.

Если у вас возникли проблемы с блокировкой, обратитесь в нашу службу поддержки для помощи и решения.

Хотя Reader API в первую очередь предназначен для веб-страниц, он может извлекать контент из PDF-файлов, просматриваемых в формате HTML на таких веб-сайтах, как arXiv, но он не оптимизирован для общего извлечения PDF-файлов.

Да, Reader может добавлять подписи к изображениям на веб-страницах, используя заголовок x-with-generated-alt. Это добавляет описательные alt-теги к изображениям, у которых их нет, что позволяет студентам, изучающим английский как второй язык, понимать визуальный контент. Функция создания видео-резюме планируется к выпуску в будущих версиях.

Нет, Reader API может обрабатывать контент только с общедоступных URL-адресов.

Если вы запросите тот же URL-адрес в течение 5 минут, Reader API вернет кэшированный контент.

К сожалению нет.

Да, вы можете использовать встроенную поддержку PDF в Reader (https://r.jina.ai/https://arxiv.org/pdf/2310.19923v4) или HTML-версию из arXiv (https:// r.jina.ai/https://arxiv.org/html/2310.19923v4)

Reader подписывает все изображения по указанному URL-адресу и добавляет `Image [idx]: [caption]` в качестве альтернативного тега (если он изначально отсутствует). Это позволяет последующим LLM-специалистам взаимодействовать с изображениями при рассуждениях, обобщениях и т. д.

Reader API разработан с учетом высокой масштабируемости. Он автоматически масштабируется на основе трафика в реальном времени, а максимальное количество параллельных запросов сейчас составляет около 4000. Мы активно поддерживаем его как один из основных продуктов Jina AI. Так что смело используйте его в производстве.

Актуальную информацию об ограничениях скорости можно найти в таблице ниже. Обратите внимание, что мы активно работаем над улучшением ограничения скорости и производительности Reader API, таблица будет соответствующим образом обновлена.

ReaderLM-v2 — это наша новейшая модель обработки естественного языка (SLM) для преобразования необработанного HTML в чистый Markdown или JSON. Она обеспечивает трехкратное улучшение качества по сравнению с версией 1 и может извлекать структурированные данные с использованием JSON-схемы или инструкций на естественном языке. Вы можете использовать ее напрямую через API Reader с заголовком x-respond-with: readerlm-v2 или развернуть ее из облачных маркетплейсов (AWS, Azure, GCP).

Используйте заголовок x-json-schema с определением схемы JSON или заголовок x-instruction с инструкциями на естественном языке. Обе функции работают с ReaderLM-v2 для извлечения определенных полей, таких как цены, заголовки, даты и т. д., с любой веб-страницы в структурированный формат JSON.

Нет. Reader не обходит и не игнорирует механизмы защиты веб-сайтов, системы защиты от ботов или средства контроля доступа. Если веб-сайт распознает наш сервис как бота и блокирует запрос, это решение принимается во внимание. Мы работаем как стандартный веб-клиент и не используем методы, предназначенные для обхода систем обнаружения.

Нет. Переход с бесплатного уровня на платный API-ключ не предоставляет доступ к дополнительным веб-сайтам и не обходит никаких ограничений сайтов. Разница между уровнями заключается в основном в ограничениях скорости запросов и оптимизации производительности. Платный API-ключ обеспечивает более высокую пропускную способность запросов и более быструю обработку, но он не предоставляет доступ к веб-сайтам, блокирующим наш сервис.

Подробную информацию о наших процессах обучения, источниках данных и оценках можно найти в наших технических отчетах на arXiv по jina-embeddings-v3 и jina-embeddings-v4.

jina-embeddings-v4 — это наша новейшая универсальная мультимодальная модель (3,8 млрд параметров), поддерживающая текст и изображения с контекстом 32 тыс., плотным поиском и поиском с поздним взаимодействием, а также демонстрирующая лучшие результаты на визуально насыщенных документах. jina-clip-v2 — это более лёгкий вариант (865 млн параметров), поддерживающий 89 языков, с разрешением изображений 512x512 и представлением в виде матрёшки. Обе модели превосходно справляются с задачами поиска текста-текста, текста-изображения и изображения-изображения.

Оба модуля jina-embeddings-v4 и jina-embeddings-v3 поддерживают 89 языков и демонстрируют высокую производительность в многоязычной среде. В число 30 наиболее популярных языков входят: арабский, бенгальский, китайский, датский, нидерландский, английский, финский, французский, грузинский, немецкий, греческий, хинди, индонезийский, итальянский, японский, корейский, латышский, норвежский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тайский, турецкий, украинский, урду и вьетнамский. jina-clip-v2 также поддерживает 89 языков для мультимодальных задач.

Длина контекста варьируется в зависимости от модели: jina-embeddings-v4 поддерживает до 32 000 токенов, в то время как jina-embeddings-v3 и jina-clip-v2 поддерживают до 8192 токенов. Токен может представлять собой как один символ, так и целое слово. Расширенный контекст обеспечивает всесторонний анализ документов и более высокую точность понимания контекста для больших объемов текстовых данных.

Жестких ограничений на количество элементов в одном запросе нет. API внутренне группирует входные данные по количеству токенов для оптимального использования графического процессора. Вы можете отправить столько текстовых сообщений или изображений, сколько необходимо, в одном запросе.

Для jina-embeddings-v4, jina-clip-v2 и jina-clip-v1 в поле input запроса API можно использовать либо url, либо bytes. Для url укажите URL изображения, которое вы хотите обработать. Для bytes закодируйте изображение в формате base64. jina-embeddings-v4 также может напрямую встраивать PDF-документы, передавая URL PDF-файла или закодированные в base64 байта PDF-файла.

jina-embeddings-v4 — наша новейшая флагманская модель, демонстрирующая лучшие результаты в задачах поиска визуально насыщенных документов (ViDoRe) и многомодальных тестах. В задачах, связанных только с текстом, jina-embeddings-v3 превосходит OpenAI и Cohere в тестах MTEB English и Multilingual, при этом будучи меньше по размеру и эффективнее. Обе модели поддерживают обучение представлению «матрёшка» (MRL), позволяющее усекать размерность (до 32 для v3, до 128 для v4) без существенной потери производительности.

Переход оптимизирован, так как наша конечная точка API соответствует входным и выходным схемам JSON модели OpenAI text-embedding-3-large. Эта совместимость гарантирует, что пользователи могут легко заменить модель OpenAI на нашу при использовании конечной точки OpenAI.

Токены рассчитываются на основе длины текста и размера изображения. Для текста в запросе токены подсчитываются стандартным образом. Для изображений выполняются следующие шаги: 1. Размер плитки: каждое изображение делится на плитки. Для jina-embeddings-v4 плитки имеют размер 28x28 пикселей, для jina-clip-v2 — 512x512 пикселей, а для jina-clip-v1 — 224x224 пикселя. 2. Покрытие: вычисляется количество плиток, необходимых для покрытия входного изображения. Даже если размеры изображения не делятся на размер плитки, частичные плитки считаются полными плитками. 3. Общее количество плиток: общее количество плиток, покрывающих изображение, определяет стоимость. Например, изображение размером 600x600 пикселей будет покрыто плитками 22x22 (484 плитки) в jina-embeddings-v4, плитками 2x2 (4 плитки) в jina-clip-v2 и плитками 3x3 (9 плиток) в jina-clip-v1. 4. Расчет стоимости: для jina-embeddings-v4 каждая плитка стоит 10 токенов, для jina-clip-v2 каждая плитка стоит 4000 токенов, а для jina-clip-v1 каждая плитка стоит 1000 токенов. Пример: Для изображения размером 600x600 пикселей: • С jina-embeddings-v4 • Изображение делится на плитки размером 28x28 пикселей. • Общее количество требуемых плиток составляет 22 (по горизонтали) x 22 (по вертикали) = 484 плитки. • Стоимость для jina-embeddings-v4 составит 484*10 = 4840 токенов. • С jina-clip-v2 • Изображение делится на плитки размером 512x512 пикселей. • Общее количество требуемых плиток составляет 2 (по горизонтали) x 2 (по вертикали) = 4 плитки. • Стоимость для jina-clip-v2 составит 4*4000 = 16000 токенов. • С jina-clip-v1 • Изображение делится на плитки размером 224x224 пикселей. • Общее количество требуемых плиток составляет 3 (по горизонтали) x 3 (по вертикали) = 9 плиток. • Стоимость jina-clip-v1 составит 9*1000 = 9000 токенов.

Да, jina-clip-v2 и jina-clip-v1 могут встраивать как изображения, так и тексты. Скоро будет объявлено о встраивании моделей в большем количестве модальностей!

По вопросам точной настройки наших моделей с использованием конкретных данных свяжитесь с нами, чтобы обсудить ваши требования. Мы открыты для изучения того, как наши модели могут быть адаптированы к вашим потребностям.

Да, наши услуги доступны на торговых площадках AWS, Azure и GCP. Если у вас есть особые требования, свяжитесь с нами по адресу sales AT jina.ai.

Параметр task в пакетах jina-embeddings-v3 и jina-embeddings-v4 активирует адаптеры LoRA, специфичные для каждой задачи, для оптимальной производительности. Используйте retrieval.query для поисковых запросов, retrieval.passage для поиска документов, text-matching для определения семантического сходства, classification для классификации текста и separation для задач кластеризации.

jina-embeddings-v4 поддерживает как плотный (одновекторный), так и многовекторный (с поздним взаимодействием) поиск с помощью параметра output_type. Позднее взаимодействие сохраняет более детальную информацию на уровне токенов для повышения точности поиска сложных запросов. jina-colbert-v2 — это специализированная модель для позднего взаимодействия.

Метод поздней сегментации (late chunking) сначала встраивает весь документ, используя модели с длинным контекстом, а затем извлекает векторные представления фрагментов из представлений на уровне токенов. В отличие от наивной сегментации (сначала фрагмент, затем встраивание), поздная сегментация сохраняет контекст между фрагментами, улучшая поиск для приложений RAG. Включить её можно с помощью параметра late_chunking в файле jina-embeddings-v3.

Хотя некоторые из наших моделей встраивания архитектурно способны обрабатывать контексты большей длины, API может устанавливать более низкие ограничения из-за ограничений видеопамяти графического процессора в нашей инфраструктуре вывода. Обработка очень длинных последовательностей требует значительного объема памяти, и мы оптимизируем нашу конфигурацию обслуживания, чтобы сбалансировать пропускную способность, задержку и стоимость для большинства сценариев использования. Если вам требуется поддержка контекстов большей длины, пожалуйста, свяжитесь с нашей командой продаж, чтобы обсудить варианты выделенного развертывания.

Модель `jina-embeddings-v4` построена на основе базовой модели Qwen2-VL, распространяемой под лицензией Qwen Research License. Эта лицензия разрешает только исследовательское и некоммерческое использование, что означает, что мы не можем предлагать `jina-embeddings-v4` в качестве коммерческого продукта. В результате мы предоставляем доступ к модели бесплатно через наш API. Существует две причины, по которым `jina-embeddings-v4` может казаться медленнее, чем другие модели: во-первых, `jina-embeddings-v4` значительно больше, чем `jina-embeddings-v3`, поэтому она по своей природе требует больше вычислительного времени на каждый запрос. Во-вторых, поскольку мы не можем коммерциализировать эту модель, мы намеренно ограничиваем пропускную способность API для управления затратами на инфраструктуру. Пользователям не следует ожидать высокой пропускной способности или уровня производственной среды при использовании API `jina-embeddings-v4`. Для производственных нагрузок, требующих более высокой пропускной способности, мы рекомендуем использовать jina-embeddings-v3 или развернуть jina-embeddings-v4 на вашей собственной инфраструктуре с помощью Hugging Face.

Ограничения скорости зависят от типа вашего API-ключа:

Бесплатно: 100 RPM, 100K TPM, 2 одновременных запроса
Платно: 500 RPM, 2M TPM, 50 одновременных запросов
Премиум: 5000 RPM, 50M TPM, 500 одновременных запросов

Кроме того, существует ограничение скорости на основе IP-адреса в 10 000 запросов за 60 секунд для предотвращения злоупотреблений. Если вам нужны более высокие лимиты, пожалуйста, свяжитесь с нашей командой продаж.

Для каждой модели существует максимальная длина контекста на вход:

jina-embeddings-v4: 32 768 токенов
jina-embeddings-v3: 8 192 токена
jina-embeddings-v2-*: 8 192 токена
jina-clip-v1/v2: 8 192 токена
jina-colbert-v1/v2: 8 192 токена
jina-code-embeddings-*: 32 768 токенов

Входные данные, превышающие лимит, будут возвращать ошибку, если не установлен параметр truncate: true, который автоматически обрезает данные до максимальной длины.

Максимальный размер файлов: Изображения: 5 МБ, PDF: 8 МБ. Файлы большего размера будут отклонены с ошибкой.

Цены на API Reranker соответствуют нашей структуре ценообразования Embedding API. Они начинаются с 10 миллионов бесплатных токенов за каждый новый ключ API. Помимо бесплатных токенов, для покупки доступны различные пакеты. Для получения более подробной информации посетите наш раздел цен.

jina-reranker-v3 — это наш новейший флагманский инструмент для ранжирования документов с новой архитектурой, основанной на списках, обеспечивающий наилучшую многоязычную обработку с длиной контекста 131 000 символов. jina-reranker-m0 — это наш многомодальный инструмент для ранжирования визуальных документов на разных языках. jina-reranker-v2-base-multilingual — это кросс-кодировщик, поддерживающий более 100 языков, с возможностью вызова функций и поиска кода. jina-colbert-v2 использует позднее взаимодействие для 89 языков с возможностью управления размерами встраивания пользователем.

Да, все наши программы для переранжирования (jina-reranker-v3, jina-reranker-m0, jina-reranker-v2-base-multilingual и jina-colbert-v2) являются открытым исходным кодом и доступны под лицензией CC-BY-NC 4.0. Вы можете свободно использовать, распространять и адаптировать модели для некоммерческих целей.

Да, все наши инструменты ранжирования поддерживают многоязычный поиск. jina-reranker-v3 и jina-reranker-v2-base-multilingual поддерживают более 100 языков. jina-reranker-m0 поддерживает многоязычное визуальное ранжирование документов. jina-colbert-v2 поддерживает 89 языков.

Длина контекста варьируется в зависимости от модели:

jina-reranker-v3: 131 072 токена (запрос + все документы вместе) с автоматическим усечением
jina-reranker-m0: 10 000 токенов
jina-reranker-v2-base-multilingual: 1024 токена с автоматическим разбиением на фрагменты для более длинных документов
jina-reranker-v1-*: 1024 токена с автоматическим разбиением на фрагменты
jina-colbert-v2: 8192 токена

Для реранжеров v1/v2 запросы автоматически усекаются, а длинные документы разбиваются на фрагменты с максимальным пулингом по фрагментам.

Жестких ограничений на количество документов в одном запросе нет. Как и наш API для работы с эмбеддингами, API Reranker внутренне группирует входные данные по количеству токенов для оптимального использования графического процессора. Вы можете отправить столько документов, сколько необходимо, в одном запросе.

Задержка варьируется от 100 миллисекунд до 7 секунд и во многом зависит от длины документов и запроса. Например, переоценка 100 документов по 256 токенов каждый с помощью запроса из 64 токенов занимает около 150 миллисекунд. Увеличение длины документа до 4096 токенов увеличивает время до 3,5 секунд. Если длина запроса увеличивается до 512 токенов, время увеличивается до 7 секунд.

Да, наши услуги доступны на торговых площадках AWS, Azure и GCP. Если у вас есть особые требования, свяжитесь с нами по адресу sales AT jina.ai.

Если вы заинтересованы в точно настроенном механизме изменения рейтинга, адаптированном к конкретным данным домена, свяжитесь с нашим отделом продаж. Наша команда оперативно ответит на ваш запрос.

Минимально допустимый размер изображения для модели jina-reranker-m0 составляет 28x28 пикселей.

jina-reranker-v3 использует новую архитектуру пошагового ранжирования, которая оценивает все документы вместе за один проход, что позволяет сравнивать документы между собой. Традиционные точечные реранжировщики (например, v2) оценивают каждый документ независимо от запроса. Пошаговое реранжирование обеспечивает более высокую точность за счет понимания относительной релевантности во всем наборе кандидатов.

Хотя некоторые из наших моделей переранжирования архитектурно способны обрабатывать контексты большей длины, API может устанавливать более низкие ограничения из-за ограничений видеопамяти графического процессора в нашей инфраструктуре вывода. Обработка очень длинных последовательностей требует значительного объема памяти, и мы оптимизируем нашу конфигурацию обслуживания, чтобы сбалансировать пропускную способность, задержку и стоимость для большинства сценариев использования. Если вам требуется поддержка контекстов большей длины, пожалуйста, свяжитесь с нашей командой продаж, чтобы обсудить варианты выделенного развертывания.

Ограничения скорости зависят от типа вашего API-ключа:

Бесплатно: 100 RPM, 100K TPM, 2 одновременных запроса
Платно: 500 RPM, 2M TPM, 50 одновременных запросов
Премиум: 5000 RPM, 50M TPM, 500 одновременных запросов

Также существует ограничение скорости на основе IP-адреса — 10 000 запросов за 60 секунд. Те же ограничения скорости применяются как к API Embeddings, так и к API Reranker.

Да, тот же ключ API действителен для всех продуктов search foundation от Jina AI. Это включает в себя API считывателя, встраивания, переранжирования, классификации и тонкой настройки, с общими токенами для всех сервисов.

Да, использование токенов можно отслеживать на вкладке «API Key & Billing», введя свой API-ключ, что позволит вам просматривать недавнюю историю использования и оставшиеся токены. Если вы вошли в панель управления API, эти данные также можно просмотреть на вкладке «Manage API Key».

Если вы потеряли пополненный ключ и хотите его восстановить, обратитесь в службу поддержки AT jina.ai, указав зарегистрированный адрес электронной почты, чтобы получить помощь. Рекомендуется войти в систему, чтобы ваш ключ API был надежно сохранен и легко доступен.

Нет, наши ключи API не имеют срока действия. Однако, если вы подозреваете, что ваш ключ был скомпрометирован, и хотите его удалить, обратитесь в нашу службу поддержки за помощью. Вы также можете отозвать свой ключ в панели управления ключами API.

Да, вы можете перенести токены с одного премиум-ключа на другой. После входа в свою учетную запись на панели управления ключами API используйте настройки ключа, который вы хотите перенести, чтобы переместить все оставшиеся оплаченные токены.

Да, вы можете отозвать свой ключ API, если считаете, что он был скомпрометирован. Отзыв ключа немедленно отключит его для всех пользователей, которые его сохранили, а весь оставшийся баланс и связанные с ним свойства станут навсегда непригодными для использования. Если ключ является премиум-ключом, у вас есть возможность перевести оставшийся оплаченный баланс на другой ключ перед отзывом. Обратите внимание, что это действие нельзя отменить. Чтобы отозвать ключ, перейдите к настройкам ключа на панели управления ключами API.

Это происходит потому, что наша архитектура Serverless выгружает определенные модели в периоды низкого использования. Первоначальный запрос активирует или «разогревает» модель, что может занять несколько секунд. После этой первоначальной активации последующие запросы обрабатываются гораздо быстрее.

Нет. Мы никогда не используем ваши API-запросы, входные или выходные данные для обучения наших моделей эмбеддинга, реранжирования или любых других моделей. Ваши данные остаются вашими. Мы соответствуем стандартам SOC 2 Type I и Type II.

Для каждого ключа API действуют ограничения по количеству запросов:

Бесплатно: 100 RPM, 100K TPM, 2 одновременных запроса
Платно: 500 RPM, 2M TPM, 50 одновременных запросов
Премиум: 5000 RPM, 50M TPM, 500 одновременных запросов

Также существует ограничение по IP-адресу в 10 000 запросов за 60 секунд. Эти ограничения применяются ко всем API Jina (Embeddings, Reranker, Reader и т. д.).

Для API Embeddings и Reranker нет ограничений по размеру пакета. Вы можете отправлять столько элементов или документов, сколько необходимо, за один запрос. Оба API обрабатывают входные данные пакетами по количеству токенов для оптимального использования графического процессора.

Наша модель ценообразования основана на общем количестве обработанных токенов, что позволяет пользователям гибко распределять эти токены по любому количеству предложений, предлагая экономически эффективное решение для разнообразных требований к анализу текста.

Мы предлагаем приветственную бесплатную пробную версию для новых пользователей, которая включает десять миллионов токенов для использования с любой из наших моделей, с помощью автоматически сгенерированного ключа API. После того, как будет достигнут лимит бесплатных токенов, пользователи могут легко приобрести дополнительные токены для своих ключей API через вкладку «Купить токены».

Нет, токены не снимаются за неудачные запросы.

Платежи обрабатываются через Stripe, поддерживающий для вашего удобства различные способы оплаты, включая кредитные карты, Google Pay и PayPal.

Да, после покупки токенов на адрес электронной почты, связанный с вашей учетной записью Stripe, будет выставлен счет.

DeepSearch — это API LLM, который выполняет итеративный поиск, чтение и рассуждения до тех пор, пока не найдет точный ответ на запрос или не достигнет лимита бюджета токенов.

В отличие от OpenAI и Gemini, DeepSearch специально фокусируется на предоставлении точных ответов посредством итерации, а не на создании длинных статей. Он оптимизирован для быстрых, точных ответов из глубокого веб-поиска, а не для создания всесторонних отчетов.

Вам нужен ключ API Jina. Мы предлагаем 10M бесплатных токенов для новых ключей API.

Он генерирует окончательный ответ на основе всех накопленных знаний, а не просто отказывается от ответа или возвращает неполный ответ.

Нет. Хотя для повышения точности используется итеративный процесс поиска, оценка показывает, что он достигает 75%-ного процента успешных ответов на тестовых вопросах, что значительно лучше базового показателя в 0% (gemini-2.0-flash), но не идеально.

Он значительно варьируется - запросы могут занимать от 1 до 42 шагов, в среднем 4 шага на основе данных оценки. Это 20 секунд. Простые запросы могут быть решены быстро, в то время как сложные исследовательские вопросы могут включать много итераций и до 120 секунд.

Да, официальный API DeepSearch по адресу deepsearch.jina.ai/v1/chat/completions полностью совместим со схемой API OpenAI, используя 'jina-deepsearch-v1' в качестве имени модели. Поэтому очень легко переключиться с OpenAI на DeepSearch и использовать с локальными клиентами или любым клиентом, совместимым с OpenAI. Мы настоятельно рекомендуем Chatwise для бесперебойного опыта.

Ограничения скорости зависят от уровня ключа API и составляют от 10 RPM до 30 RPM. Это важно учитывать для приложений с большим объемом запросов.

DeepSearch оборачивает шаги мышления в теги XML ... и затем предоставляет окончательный ответ, следуя формату потоковой передачи OpenAI, но с этими специальными маркерами для цепочки мыслей.

Да. Jina Reader используется для веб-поиска и чтения, предоставляя системе возможность эффективного доступа и обработки веб-контента.

Да, использование токенов DeepSearch в сложных запросах, возможно, высоко — в среднем 70 000 токенов по сравнению с 500 для базовых ответов LLM. Это показывает глубину исследования, но также имеет финансовые последствия.

Система в первую очередь контролируется бюджетом токенов, а не количеством шагов. После превышения бюджета токенов она переходит в режим Beast Mode для генерации окончательного ответа. Проверьте reasoning_effort для получения более подробной информации.

Ссылки считаются настолько важными, что если ответ считается окончательным, но не имеет ссылок, система продолжает поиск, а не принимает ответ.

Да, но с обширными этапами исследования. Пример «кто будет президентом в 2028 году» показывает, что он может обрабатывать спекулятивные вопросы посредством нескольких итераций исследования, хотя точность таких прогнозов не гарантируется.

Zero-shot требует семантических меток во время классификации и ничего во время обучения, в то время как few-shot требует меток во время обучения, но не классификации. Это означает, что zero-shot лучше подходит для гибких, немедленных потребностей в классификации, в то время как few-shot лучше подходит для фиксированных, специфичных для домена категорий, которые могут меняться со временем.

num_iters контролирует интенсивность обучения — более высокие значения усиливают важные примеры, а более низкие значения минимизируют влияние менее надежных данных. Его можно использовать для внедрения обучения с учетом времени, предоставляя недавним примерам более высокие числа итераций, что делает его ценным для развивающихся шаблонов данных.

Публичные классификаторы могут использоваться любым человеком с classifier_id, потребляя собственную квоту токенов. Пользователи не могут получить доступ к данным обучения или конфигурации и не могут видеть запросы классификации других, что позволяет безопасно делиться классификаторами.

Few-shot требует 200-400 обучающих примеров, чтобы превзойти классификацию zero-shot. Хотя в конечном итоге он достигает более высокой точности, ему необходим этот период разминки, чтобы стать эффективным. Zero-shot обеспечивает постоянную производительность немедленно без обучающих данных.

Да, API поддерживает многоязычные запросы с использованием jina-embeddings-v3 и многомодальную (текст/изображение) классификацию с использованием jina-clip-v2 или jina-embeddings-v4, с поддержкой изображений в формате URL или base64 в одном запросе.

Zero-shot поддерживает 256 классов без ограничения по классификаторам, в то время как few-shot ограничен 16 классами и 16 классификаторами. Оба поддерживают 1024 входа на запрос и 8192 токена на вход.

Режим Few-shot позволяет непрерывно обновлять конечную точку /train для адаптации к изменяющимся шаблонам данных. Вы можете постепенно добавлять новые примеры или классы при изменении распределения данных, не перестраивая весь классификатор.

API использует однопроходное онлайн-обучение — обучающие примеры обновляют веса классификатора, но не сохраняются после этого. Это означает, что вы не можете извлечь исторические обучающие данные, но это обеспечивает конфиденциальность и эффективность ресурсов.

Начните с нулевого выстрела для немедленных результатов и когда вам нужна гибкая классификация с семантическими метками. Переключитесь на несколько выстрелов, когда у вас 200-400 примеров, нужна более высокая точность или вам нужно обрабатывать доменно-зависимые/временные данные.

Да, вы можете выбрать между jina-embeddings-v3 для классификации текста (особенно хорошо подходит для многоязычных данных), jina-clip-v2 для мультимодальной классификации (89 языков) или jina-embeddings-v4 для универсальной мультимодальной многоязычной классификации.

API Segmenter можно использовать бесплатно. Предоставляя свой ключ API, вы можете получить доступ к более высокому пределу скорости, и ваш ключ не будет оплачиваться.

Без ключа API вы можете получить доступ к API Segmenter со скоростью 20 об/мин.

С помощью API-ключа вы можете получить доступ к API Segmenter с ограничением скорости 200 RPM. Для платных пользователей премиум-подписки ограничение скорости составляет 1000 RPM.

Нет, ваш ключ API используется только для доступа к более высокому лимиту скорости.

Да, API Segmenter многоязычен и поддерживает более 100 языков.

Запросы GET используются исключительно для подсчета количества токенов в тексте, что позволяет вам легко интегрировать его в качестве счетчика в ваше приложение. Запросы POST поддерживают больше параметров и функций, таких как возврат первых/последних N токенов.

Вы можете отправить до 64 тыс. символов за один запрос.

Функция фрагментации сегментирует длинные документы на более мелкие фрагменты на основе общих структурных сигналов, обеспечивая точную сегментацию текста на значимые фрагменты. По сути, это (большой!) шаблон регулярного выражения, который сегментирует текст на основе определенных синтаксических признаков, которые часто совпадают с семантическими границами, такими как окончания предложений, разрывы абзацев, пунктуация и определенные союзы. Это не семантическое фрагментирование. Это (большое) регулярное выражение настолько мощно, насколько это возможно в рамках ограничений регулярных выражений. Оно уравновешивает сложность и производительность. Хотя истинное семантическое понимание невозможно с помощью регулярных выражений, оно хорошо аппроксимирует контекст с помощью общих структурных сигналов.

Если входные данные содержат специальные токены, наш API Segmenter поместит их в поле «special_tokens». Это позволяет вам легко идентифицировать их и обрабатывать соответствующим образом для ваших последующих задач, например, удаляя их перед подачей текста в LLM для предотвращения атак с инъекциями.

Помимо западных языков, разбиение на фрагменты также хорошо работает с китайским, японским и корейским языками.

Функция в настоящее время находится в стадии бета-тестирования и стоит 1 млн токенов за тонкую настройку модели. Вы можете использовать существующий ключ API из API Embedding/Reranker, если у него достаточно токенов, или вы можете создать новый ключ API, который включает 10 млн бесплатных токенов.

Вам не нужно предоставлять какие-либо данные для обучения. Просто опишите свой целевой домен (домен, для которого вы хотите оптимизировать точно настроенные внедрения) на естественном языке или используйте URL-адрес в качестве ссылки, и наша система сгенерирует синтетические данные для обучения модели.

Около 30 минут.

Точно настроенные модели и синтетические данные хранятся публично в хабе моделей Hugging Face.

Система использует API Reader для получения контента по URL-адресу. Затем он анализирует контент, чтобы обобщить тон и предметную область, которые он использует в качестве ориентиров для создания синтетических данных. Следовательно, URL-адрес должен быть общедоступным и представлять целевой домен.

Да, вы можете настроить модель для языка, отличного от английского. Система автоматически определяет язык инструкций вашего домена и соответствующим образом генерирует синтетические данные. Мы также рекомендуем выбрать подходящую базовую модель для целевого языка. Например, если вы ориентируетесь на немецкий домен, вам следует выбрать jina-embeddings-v2-base-de в качестве базовой модели.

Нет, наш API тонкой настройки поддерживает только модели Jina v2.

В конце процесса точной настройки система оценивает модель с использованием отложенного набора тестов и сообщает показатели производительности. Вы получите электронное письмо с подробным описанием производительности до и после этого набора тестов. Вам также рекомендуется оценить модель на собственном тестовом наборе, чтобы убедиться в ее качестве.

Система генерирует синтетические данные путем интеграции предоставленных вами инструкций целевой области с рассуждениями агентов LLM. Он создает жесткие отрицательные триплеты, которые необходимы для обучения высококачественных моделей внедрения. Для получения более подробной информации, пожалуйста, обратитесь к нашему предстоящему исследованию Arxiv.

В данный момент нет. Обратите внимание, что эта функция все еще находится в стадии бета-тестирования. Публичное хранение точно настроенных моделей и синтетических данных в центре моделей Hugging Face помогает нам и сообществу оценить качество обучения. В будущем мы планируем предложить вариант частного хранения.

Поскольку все доработанные модели загружаются в Hugging Face, вы можете получить к ним доступ через SentenceTransformers, просто указав имя модели.

Пожалуйста, проверьте папку со спамом. Если вы все еще не можете его найти, свяжитесь с нашей службой поддержки, используя указанный вами адрес электронной почты.