Elastic
Jina AI
模型
API
keyboard_arrow_down
Reader
把任意 URL 转成 Markdown，为大模型提供更好的事实依据。
向量模型
多模态多语言向量模型。
重排模型
让搜索相关性最大化的重排模型。
Elastic Inference Service
在 Elasticsearch 中原生运行 Jina 模型。
MCP terminal命令行articlellms.txtsmart_toy智能体data_objectSchemamenu_book文档
登录
login

向量模型

面向搜索、RAG 和智能体应用的顶尖多模态多语言长上下文向量模型。

向量模型 API

用我们的向量模型，让您的搜索与 RAG 系统更上一层楼。立即免费试用！
keyAPI 密钥与计费
code用量
more_horiz更多
chevron_leftchevron_right
home
speed速率限制
bug_report问题反馈
help_outline常见问题
服务状态
chevron_leftchevron_right
upload
请求
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。"
    + 添加输入
  ]
}
EOFEOF

v5-omni：一个向量，涵盖所有模态

文本、图像、音频、视频——共享同一向量空间，提供两种尺寸。v5-omni-small（1.6B）是 20 亿参数以下性能最佳的开放权重全模态模型。v5-omni-nano（0.9B）在 10 亿参数以下仍有极具竞争力的检索表现。两者与 v5-text 逐字节兼容，无需重新索引。

v5-text：业界领先的小型多语言向量模型

jina-embeddings-v5-text 以两种高效尺寸（677M 的 small 与 239M 的 nano）带来第五代向量质量，配备任务专用 LoRA 适配器、Matryoshka 维度、32K 上下文，以及适合边缘部署的 GGUF/MLX 量化版本，在 MMTEB、MTEB English 及各项检索任务上刷新了基准成绩。

两种购买方式

订阅我们的 API，或通过云服务商购买。
radio_button_unchecked
cloud
携手 3 家云服务商
在用 AWS 或 Azure？您可以直接在公司的云平台上部署我们的模型，并通过云服务商账户统一结算。
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
radio_button_checked
使用 Jina Search Foundation API
访问我们全部产品最简单的方式，按需充值词元。
为此 API 密钥充值更多词元
根据您所在的地区，扣款币种可能为美元、欧元或其他货币，并可能需要缴纳税费。
请输入正确的 API 密钥以充值
了解速率限制
速率限制指每个 IP 地址／API 密钥每分钟可发起的最大请求数（RPM）。各产品和各档位的速率限制详见下表。
keyboard_arrow_down
速率限制
速率限制按以下维度统计：RPM（每分钟请求数）和 TPM（每分钟词元数）。限制按 IP／API 密钥分别计算，RPM 或 TPM 任一先达到阈值即触发限制。若您在请求头中提供了 API 密钥，我们将按密钥而非 IP 地址统计速率限制。
产品API 端点描述arrow_upward无 API 密钥key_off免费 API 密钥key付费 API 密钥key高级 API 密钥key平均延迟词元用量计算方式允许的请求
Reader APIhttps://r.jina.ai将 URL 转换为大模型友好文本20 RPM500 RPM500 RPMtrending_up5000 RPM7.9s按输出响应中的词元数计算。GET/POST
Reader APIhttps://s.jina.ai搜索网络并将结果转换为大模型友好文本block100 RPM100 RPMtrending_up1000 RPM2.5s每次请求消耗固定数量的词元，起步 10000 个词元GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank按查询对文档重排block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取决于输入大小
help
按输入请求中的词元数计算。POST
向量模型 APIhttps://api.jina.ai/v1/embeddings将文本/图片转为定长向量block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取决于输入大小
help
按输入请求中的词元数计算。POST
分类器 APIhttps://api.jina.ai/v1/train使用带标签的样本训练分类器block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元 × 迭代次数POST
分类器 API (少样本)https://api.jina.ai/v1/classify使用经过训练的少样本分类器对输入进行分类block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元POST
分类器 API (零样本)https://api.jina.ai/v1/classify使用零样本分类对输入进行分类block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元 + 标签词元POST
Segmenter APIhttps://api.jina.ai/v1/segment对长文本进行分词分句20 RPM200 RPM200 RPM1,000 RPM0.3s不计入词元用量。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions通过推理、搜索与迭代找到最佳答案block50 RPM50 RPM500 RPM56.7s统计整个流程消耗的词元总数。POST

私有化部署

在 AWS SageMaker 和 Microsoft Azure 上部署 Jina Embeddings 模型，Google Cloud Services 即将支持。如需在虚拟私有云和自有服务器上做定制 Kubernetes 部署，请联系我们的销售团队。
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
API 集成
我们的 Embedding API 已原生集成到多种知名数据库、向量存储、RAG 和 LLMOps 框架中。只需把 API 密钥复制粘贴到下列任一集成中，即可快速上手。
向量存储
LLMOps
RAG
可观测性
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

我们的论文

想知道我们的前沿搜索模型是如何从零训练出来的？请查看我们的最新论文。欢迎在 EMNLP、SIGIR、ICLR、NeurIPS 和 ICML 与我们的团队见面！
arXiv
七月 20, 2026
jina-reranker-v3.5: An Efficient Listwise Reranker with Hybrid Attention and Self-Distillation
SIGIR 2026
五月 11, 2026
jina-embeddings-v5-omni: Geometry-preserving Embeddings via Locked Aligned Towers
SIGIR 2026
二月 17, 2026
jina-embeddings-v5-text: Task-Targeted Embedding Distillation
ICLR 2026
一月 22, 2026
Embedding Compression via Spherical Coordinates
arXiv
十二月 29, 2025
Vision Encoders in Vision-Language Models: A Survey
ICLR 2026
十二月 04, 2025
Jina-VLM: Small Multilingual Vision Language Model
AAAI 2026
十月 01, 2025
jina-reranker-v3: Last but Not Late Interaction for Document Reranking
NeurIPS 2025
八月 31, 2025
Efficient Code Embeddings from Code Generation Models
EMNLP 2025
六月 24, 2025
jina-embeddings-v4: Universal Embeddings for Multimodal Multilingual Retrieval
ICLR 2025
三月 04, 2025
ReaderLM-v2: Small Language Model for HTML to Markdown and JSON
ACL 2025
十二月 17, 2024
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
ICLR 2025
十二月 12, 2024
jina-clip-v2: Multilingual Multimodal Embeddings for Text and Images
ECIR 2025
九月 18, 2024
jina-embeddings-v3: Multilingual Embeddings With Task LoRA
SIGIR 2025
九月 07, 2024
Late Chunking: Contextual Chunk Embeddings Using Long-Context Embedding Models
EMNLP 2024
八月 30, 2024
Jina-ColBERT-v2: A General-Purpose Multilingual Late Interaction Retriever
WWW 2025
六月 21, 2024
Leveraging Passage Embeddings for Efficient Listwise Reranking with Large Language Models
ICML 2024
五月 30, 2024
Jina CLIP: Your CLIP Model Is Also Your Text Retriever
arXiv
二月 26, 2024
Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings
arXiv
十月 30, 2023
Jina Embeddings 2: 8192-Token General-Purpose Text Embeddings for Long Documents
EMNLP 2023
七月 20, 2023
Jina Embeddings: A Novel Set of High-Performance Sentence Embedding Models
共计 20 篇论文。

学习向量模型

从哪里开始了解向量？我们已备好完整指南，带您从零开始入门。
五月 12, 2026 • 7 分钟阅读
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
五月 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.
三月 11, 2026 • 7 分钟阅读
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.
三月 06, 2026 • 6 分钟阅读
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.
Han Xiao

重排模型、向量搜索与 BM25 对比

下表全面对比了重排模型、向量搜索和 BM25，逐项列出它们各自的长处与不足。
重排模型向量搜索BM25
适用场景提升搜索精度与相关性初步快速筛选面向各类查询的通用文本检索
粒度精细：子文档与查询片段级粗放：整篇文档级居中：各类文本片段级
查询时间复杂度高中低
索引时间复杂度无需高低，可复用预建索引
训练时间复杂度高高无需
搜索质量处理细微差别的查询更出色兼顾效率与准确性面向各类查询表现稳定可靠
优势准确率高，能深入理解上下文快速高效，准确度中等扩展性强，效果久经验证
免费试用 Reranker API免费使用向量模型 API

向量模型70年

在您的办公空间或起居室内悬挂一张我们精心制作的海报，在1950年以来文本向量模型的进化和演变中寻找下一个灵感。
了解海报
shopping_cart购买海报

常见问题

Jina 向量模型是如何训练的？
keyboard_arrow_down
有关我们的训练过程、数据来源和评估的详细信息，请参阅我们在 arXiv 上发布的 jina-embeddings-v3 和 jina-embeddings-v4 技术报告。
launcharXiv
你们的多模态向量模型是什么？
keyboard_arrow_down
jina-embeddings-v4 是我们最新的通用多模态模型（38 亿参数），支持文本和图片，上下文长度 32K，同时支持稠密检索和迟交互检索，在图文混排文档上达到业界领先水平。jina-clip-v2 更为轻量（8.65 亿参数），支持 89 种语言、512x512 图片分辨率和 Matryoshka 表示。两者在文本-文本、文本-图片和图片-图片检索任务上均表现出色。
launcharXiv
你们的模型支持哪些语言？
keyboard_arrow_down
jina-embeddings-v4 和 jina-embeddings-v3 均支持 89 种语言，多语言表现出色。排名前 30 的语言包括：阿拉伯语、孟加拉语、中文、丹麦语、荷兰语、英语、芬兰语、法语、格鲁吉亚语、德语、希腊语、印地语、印尼语、意大利语、日语、韩语、拉脱维亚语、挪威语、波兰语、葡萄牙语、罗马尼亚语、俄语、斯洛伐克语、西班牙语、瑞典语、泰语、土耳其语、乌克兰语、乌尔都语和越南语。jina-clip-v2 同样支持 89 种语言，可用于多模态任务。
launcharXiv
单个句子输入的最大长度是多少？
keyboard_arrow_down
上下文长度因模型而异：jina-embeddings-v4 最多支持 32K 词元，jina-embeddings-v3 和 jina-clip-v2 最多支持 8192 词元。一个词元可以是一个字符，也可以是一个完整的单词。更长的上下文让您能够完整分析长文档，在处理大量文本时也能更准确地理解上下文。
单个请求中最多可以包含多少个句子？
keyboard_arrow_down
单次请求包含的条目数没有硬性上限。API 会在内部按词元数对输入分批，以充分利用 GPU。您可以在一次请求中发送所需数量的文本或图片。
如何把图片传给多模态向量模型？
keyboard_arrow_down
对于 jina-embeddings-v4、jina-clip-v2 和 jina-clip-v1，您可以使用 url 或 bytes，填入 API 请求的 input 字段。使用 url 时，填入待处理图片的地址；使用 bytes 时，把图片编码为 base64 格式。jina-embeddings-v4 还支持直接向量化 PDF 文档，传入 PDF 地址或 base64 编码的 PDF 字节即可。
Jina Embeddings 模型与 OpenAI 和 Cohere 的最新向量模型相比如何？
keyboard_arrow_down
jina-embeddings-v4 是我们最新的旗舰模型，在图文混排文档检索（ViDoRe）和多模态基准测试上均达到业界领先水平。在纯文本任务上，jina-embeddings-v3 于 MTEB 英语和多语言基准上超越 OpenAI 和 Cohere，同时体积更小、效率更高。两个模型都支持 Matryoshka 表示学习（MRL），可在性能损失很小的前提下截断维度（v3 最低可至 32 维，v4 最低可至 128 维）。
如何从 OpenAI 的 text-embedding-3-large 迁移到 Jina Embeddings 模型？
keyboard_arrow_down
迁移非常顺畅，因为我们的 API 端点与 OpenAI text-embedding-3-large 模型的输入和输出 JSON 结构一致。得益于这种兼容性，您在使用 OpenAI 端点时可以直接把模型换成我们的。
使用 jina-clip 和 jina-embeddings 模型时，词元是如何计算的？
keyboard_arrow_down
词元数根据文本长度和图片尺寸计算。请求中的文本按标准方式计数；图片则按以下步骤处理： 1. 图块大小：每张图片会被切分成图块。jina-embeddings-v4 的图块为 28x28 像素，jina-clip-v2 为 512x512 像素，jina-clip-v1 为 224x224 像素。 2. 覆盖：计算覆盖整张图片所需的图块数量。即使图片尺寸无法被图块尺寸整除，不完整的图块也按完整图块计。 3. 图块总数：覆盖图片的图块总数决定费用。例如一张 600x600 像素的图片，在 jina-embeddings-v4 中需要 22x22 个图块（484 个），在 jina-clip-v2 中需要 2x2 个图块（4 个），在 jina-clip-v1 中需要 3x3 个图块（9 个）。 4. 费用计算：jina-embeddings-v4 每个图块计 10 个词元，jina-clip-v2 每个图块计 4000 个词元，jina-clip-v1 每个图块计 1000 个词元。 示例： 以一张 600x600 像素的图片为例： • 使用 jina-embeddings-v4 • 图片被切分为 28x28 像素的图块。 • 所需图块总数为 22（横向）x 22（纵向）= 484 个。 • jina-embeddings-v4 的费用为 484*10 = 4840 个词元。 • 使用 jina-clip-v2 • 图片被切分为 512x512 像素的图块。 • 所需图块总数为 2（横向）x 2（纵向）= 4 个。 • jina-clip-v2 的费用为 4*4000 = 16000 个词元。 • 使用 jina-clip-v1 • 图片被切分为 224x224 像素的图块。 • 所需图块总数为 3（横向）x 3（纵向）= 9 个。 • jina-clip-v1 的费用为 9*1000 = 9000 个词元。
你们有向量化图片或音频的模型吗？
keyboard_arrow_down
是的，jina-embeddings-v4、jina-clip-v2 和 jina-clip-v1 都可以同时向量化图片和文本。支持更多模态的向量模型即将发布！
Jina 向量模型可以用私有数据或公司数据微调吗？
keyboard_arrow_down
如需用特定数据微调我们的模型，请联系我们详谈您的需求。我们乐于探讨如何调整模型来贴合您的场景。
联系我们
您的服务可以在 AWS、Azure 或 GCP 上私有化部署吗？
keyboard_arrow_down
可以，我们的服务已上架 AWS、Azure 和 GCP 市场。如有特殊需求，请通过 sales AT jina.ai 联系我们。
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
task 参数是什么？什么时候该用它？
keyboard_arrow_down
task 参数可在 jina-embeddings-v3 和 jina-embeddings-v4 中激活任务专属的 LoRA 适配器，以获得最佳效果。搜索查询用 retrieval.query，被检索的文档用 retrieval.passage，语义相似度用 text-matching，文本分类用 classification，聚类任务用 separation。
什么是迟交互检索？哪些模型支持？
keyboard_arrow_down
jina-embeddings-v4 通过 output_type 参数同时支持稠密（单向量）检索和迟交互（多向量）检索。迟交互保留了更细粒度的词元级信息，在复杂查询上检索准确率更高。jina-colbert-v2 是专门的迟交互模型。
什么是迟分？什么时候该用它？
keyboard_arrow_down
迟分是这样一种技术：先用长上下文模型对整篇文档做向量化，再从词元级表示中提取各分块的向量。与朴素分块（先分块、再向量化）不同，迟分保留了跨分块的上下文，可提升 RAG 应用的检索效果。在 jina-embeddings-v3 中通过 late_chunking 参数启用。
为什么 API 支持的上下文长度与模型的最大容量不同？
keyboard_arrow_down
我们的部分向量模型在架构上虽能处理更长的上下文，但受推理基础设施的 GPU 显存所限，API 可能会设置更低的上限。处理超长序列需要占用大量显存，因此我们在服务配置上做了权衡，以兼顾大多数场景下的吞吐量、延迟与成本。如需更长的上下文支持，请联系销售团队洽谈专属部署方案。
为什么 jina-embeddings-v4 是免费的，速度又比较慢？
keyboard_arrow_down
jina-embeddings-v4 基于 Qwen2-VL 基座模型构建，而后者以 Qwen 研究许可发布。该许可仅允许研究和非商业用途，因此我们无法把 jina-embeddings-v4 作为商业产品出售，只能通过 API 免费提供。jina-embeddings-v4 之所以看起来比其他模型慢，有两个原因：第一，jina-embeddings-v4 比 jina-embeddings-v3 大得多，每次请求本身就需要更多计算时间；第二，由于无法商业化，我们有意限制了 API 吞吐量以控制基础设施成本。使用 jina-embeddings-v4 API 时，请不要期待大批量或生产级的吞吐能力。如果生产负载需要更高吞吐，建议改用 jina-embeddings-v3，或从 Hugging Face 获取 jina-embeddings-v4 并部署在自有基础设施上。
Embeddings API 的速率限制是多少？
keyboard_arrow_down
速率限制取决于您的 API 密钥类型：

免费版： 100 RPM，100K TPM，2 个并发请求
付费版： 500 RPM，2M TPM，50 个并发请求
高级版： 5,000 RPM，50M TPM，500 个并发请求

此外，为了防止滥用，我们还设置了基于 IP 地址的速率限制，每 60 秒最多 10,000 个请求。如果您需要更高的限制，请联系我们的销售团队。
各个向量模型的上下文长度上限分别是多少？
keyboard_arrow_down
每个模型对单条输入的上下文长度上限如下：

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

超出上限的输入会返回错误，除非设置 truncate: true，届时会自动截断到最大长度。
图片和PDF文件的大小限制是多少？
keyboard_arrow_down
文件大小上限为：图片：5 MB，PDF：8 MB。超过上限的文件会被拒绝并返回错误。

如何获取我的 API 密钥？

video_not_supported

速率限制是多少？

速率限制
速率限制按以下维度统计：RPM（每分钟请求数）和 TPM（每分钟词元数）。限制按 IP／API 密钥分别计算，RPM 或 TPM 任一先达到阈值即触发限制。若您在请求头中提供了 API 密钥，我们将按密钥而非 IP 地址统计速率限制。
产品API 端点描述arrow_upward无 API 密钥key_off免费 API 密钥key付费 API 密钥key高级 API 密钥key平均延迟词元用量计算方式允许的请求
Reader APIhttps://r.jina.ai将 URL 转换为大模型友好文本20 RPM500 RPM500 RPMtrending_up5000 RPM7.9s按输出响应中的词元数计算。GET/POST
Reader APIhttps://s.jina.ai搜索网络并将结果转换为大模型友好文本block100 RPM100 RPMtrending_up1000 RPM2.5s每次请求消耗固定数量的词元，起步 10000 个词元GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank按查询对文档重排block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取决于输入大小
help
按输入请求中的词元数计算。POST
向量模型 APIhttps://api.jina.ai/v1/embeddings将文本/图片转为定长向量block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取决于输入大小
help
按输入请求中的词元数计算。POST
分类器 APIhttps://api.jina.ai/v1/train使用带标签的样本训练分类器block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元 × 迭代次数POST
分类器 API (少样本)https://api.jina.ai/v1/classify使用经过训练的少样本分类器对输入进行分类block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元POST
分类器 API (零样本)https://api.jina.ai/v1/classify使用零样本分类对输入进行分类block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取决于输入大小
词元计数为：输入词元 + 标签词元POST
Segmenter APIhttps://api.jina.ai/v1/segment对长文本进行分词分句20 RPM200 RPM200 RPM1,000 RPM0.3s不计入词元用量。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions通过推理、搜索与迭代找到最佳答案block50 RPM50 RPM500 RPM56.7s统计整个流程消耗的词元总数。POST

我需要商业许可证吗？

CC BY-NC 许可自检
play_arrow
您使用的是我们的官方 API，或 Azure、AWS、GCP 上的官方镜像吗？
play_arrow
是
没有任何限制。只需通过我们的网站或云市场注册并付费即可。
play_arrow
否
play_arrow
您是 Elastic 的付费客户吗？
play_arrow
是
您的 Elastic 许可证可能已包含商业用途。如有疑问，请联系您的 Elastic 销售代表。
联系销售
play_arrow
否
我们目前无法签发独立的商业许可协议。请联系 Elastic 销售部门了解更多信息。
联系销售
API 相关常见问题
code
Reader、向量模型、重排、分类和微调 API 可以共用同一个 API 密钥吗？
keyboard_arrow_down
可以，同一个 API 密钥适用于 Jina AI 的所有搜索基础产品，包括 Reader、向量模型、重排、分类和微调 API，词元额度在各项服务之间共享。
code
我可以查看 API 密钥的词元用量吗？
keyboard_arrow_down
可以，在“API 密钥与计费”标签页输入您的 API 密钥，即可查看近期用量记录和剩余词元。如果您已登录 API 控制面板，也可以在“管理 API 密钥”标签页查看这些信息。
code
如果我忘记了 API 密钥，该怎么办？
keyboard_arrow_down
如果您弄丢了已充值的密钥并希望找回，请用注册邮箱联系 support AT jina.ai。建议登录账户，这样 API 密钥可以安全保存、随时取用。
联系我们
code
API 密钥会过期吗？
keyboard_arrow_down
不会，我们的 API 密钥没有有效期。但如果您怀疑密钥已泄露并希望停用，请联系我们的支持团队。您也可以在 API 密钥控制面板中自行销毁密钥。
联系我们
code
可以在不同 API 密钥之间转移词元吗？
keyboard_arrow_down
可以，您能把词元从一个高级密钥转到另一个密钥。在 API 密钥控制面板登录账户后，进入待转出密钥的设置页，即可转移全部剩余的付费词元。
code
我可以销毁我的 API 密钥吗？
keyboard_arrow_down
可以，如果您认为密钥已泄露，可以销毁它。销毁后，所有保存该密钥的用户都会立即无法使用，剩余额度和关联属性也将永久失效。如果是高级密钥，您可以在销毁前把剩余的付费额度转移到另一个密钥。请注意，此操作无法撤销。要销毁密钥，请前往 API 密钥控制面板中的密钥设置。
code
为什么有些模型的首次请求比较慢？
keyboard_arrow_down
这是因为我们的无服务器架构会在使用率较低时卸载部分模型。首次请求会激活或“预热”模型，需要几秒钟。激活之后，后续请求的处理速度会快得多。
code
我的 API 数据会被用来训练你们的模型吗？
keyboard_arrow_down
不会。我们绝不会用您的 API 请求、输入或输出来训练向量模型、重排模型或任何其他模型。您的数据始终属于您。
code
Jina API 的速率限制是多少？
keyboard_arrow_down
速率限制按 API 密钥计算：

免费版：100 RPM，100K TPM，2 个并发请求
付费版：500 RPM，2M TPM，50 个并发请求
高级版：5,000 RPM，50M TPM，500 个并发请求

此外还有基于 IP 的速率限制，每 60 秒 10,000 个请求。以上限制适用于所有 Jina API（Embeddings、Reranker、Reader 等）。
code
API 有批量大小限制吗？
keyboard_arrow_down
Embeddings 和 Reranker API 都没有批量大小限制，每次请求可以发送任意数量的条目或文档。两个 API 都会在内部按词元数对输入分批，以充分利用 GPU。
与计费相关的常见问题
attach_money
API 是按句子数还是按请求数计费？
keyboard_arrow_down
我们按处理的词元总数计费，您可以把这些词元灵活分配到任意数量的句子上，用更低的成本满足各种文本分析需求。
attach_money
新用户可以免费试用吗？
keyboard_arrow_down
我们为新用户提供免费试用：系统自动生成的 API 密钥内含一千万词元，可用于我们的任何模型。免费额度用完后，您可以在“充值”标签页为密钥购买更多词元。
attach_money
失败的请求是否会扣除词元？
keyboard_arrow_down
不，失败的请求不会扣除词元。
attach_money
接受哪些付款方式？
keyboard_arrow_down
付款通过 Stripe 处理，支持信用卡、Google Pay、PayPal 等多种方式，方便您选择。
attach_money
充值后可以开具发票吗？
keyboard_arrow_down
可以，充值后发票会发送到与您 Stripe 账户关联的邮箱。
当前语言 / 主题
搜索底座
Reader
向量模型
重排模型
获取 Jina API 密钥
速率限制
关于我们
新闻
下载 Jina 徽标
open_in_new
下载 Elastic 徽标
open_in_new
API 状态
Elastic © 2026.安全条款及条件隐私管理 Cookie请勿出售或分享我的个人信息
本网站及其所有相关内容、软件、产品和服务仅供专业人士使用。不面向任何消费者，也不鼓励任何消费者使用。