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。
MCP
terminal
命令行
article
llms.txt
smart_toy
智能体
data_object
Schema
menu_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
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。
阅读发布说明arrow_forward

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。
阅读发布说明arrow_forward

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
向量模型
重排模型
Microsoft Azure
向量模型
重排模型
Google Cloud
向量模型
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

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
向量模型
重排模型
Microsoft Azure
向量模型
重排模型
Google Cloud
向量模型
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
有关我们的训练流程、数据来源和评估的详细信息，请参阅 arXiv 上的技术报告。jina-embeddings-v5 文本模型的训练分为两个阶段：首先从更大的教师模型中提取向量，然后在冻结的主干权重上进行特定任务的 LoRA 适配器训练。v5-omni 多模态变体增加了一个第三阶段，该阶段仅训练跨模态投影器，而文本主干和适配器保持冻结状态。
launcharXiv
你们的多模态向量模型是什么？
keyboard_arrow_down
jina-embeddings-v5-omni-small（约 17.4 亿参数，1024 维，3.2 万上下文）和 jina-embeddings-v5-omni-nano（约 10.4 亿参数，768 维，8 千上下文）是我们目前的多模态模型。它们在一个共享的向量空间中接受文本、图像、音频、视频和 PDF 文件，因此您可以在一种模态中建立索引，然后在另一种模态中查询，而无需重新索引。它们的纯文本输出分别与 jina-embeddings-v5-text-small 和 jina-embeddings-v5-text-nano 相同，这意味着您可以将多模态输入添加到现有的文本索引中，而无需重新嵌入。jina-clip-v2（8.65 亿参数）仍然可用，作为一种更轻量级的文本和图像选项。
launcharXiv
你们的模型支持哪些语言？
keyboard_arrow_down
自 2024 年起发布的所有模型均支持多语言。jina-embeddings-v5-text-small 和 v5-omni 模型基于 Qwen3 骨干网构建，具有广泛的多语言覆盖；jina-embeddings-v5-text-nano 基于 EuroBERT-210M 构建，涵盖 15 种主要的欧洲和全球语言，包括英语、法语、德语、西班牙语、中文、日语、阿拉伯语和印地语。jina-embeddings-v3 和 jina-clip-v2 支持 89 种语言。有关每种语言的基准测试数据，请参阅各模型技术报告中的 MMTEB 结果。
launcharXiv
单个输入的最大上下文长度是多少？
keyboard_arrow_down
上下文长度因模型而异：jina-embeddings-v5-text-small 和 jina-embeddings-v5-omni-small 最多支持 32,768 个 token，而 jina-embeddings-v5-text-nano 和 jina-embeddings-v5-omni-nano 支持 8,192 个 token。jina-embeddings-v4 和 jina-code-embeddings 模型支持 32,768 个 token；jina-embeddings-v3、jina-clip-v2 和 jina-colbert-v2 支持 8,192 个 token。除非设置 truncate: true，否则超过限制的输入将返回错误。
单次请求中最多可以包含多少个输入？
keyboard_arrow_down
每次请求包含的项目数量没有硬性限制。API 会根据token数量对输入进行内部分批处理，以实现最佳 GPU 利用率，因此您可以在单个请求中发送任意数量的文本或图像。PDF 文件除外：每次请求只能发送一个 PDF 文件。
如何将图像、音频、视频或 PDF 发送到多模态模型？
keyboard_arrow_down
使用 image、audio、video 或 pdf 键，将类型化对象传递到 input 数组中。该键的值可以是公开 URL 或 base64 编码的字节。模型会将每种模态的数据路由到相应的编码器，您可以在单个批次中自由混合使用不同的模态。支持的音频格式包括 WAV、MP3、FLAC、OGG、M4A 和 Opus；视频以 32 帧均匀采样的方式进行处理。每个请求必须发送一个 PDF 文件。
Jina 向量模型与最新的 OpenAI、Cohere 和 Voyage 模型相比如何？
keyboard_arrow_down
jina-embeddings-v5-text-small（6.77亿参数）是MMTEB数据集上参数量低于10亿时性能最强的模型，任务级平均得分为67.0，在英语MTEB数据集上的平均得分更是高达71.7。jina-embeddings-v5-text-nano（2.39亿参数）在MMTEB数据集上得分为65.5，优于我们评估的所有参数量低于5亿时的模型。我们的设计目标是每个参数的性能，而非原始参数量，因此这些模型在提供相当或更优检索质量的同时，比大多数替代方案的部署成本更低。所有v5模型都支持Matryoshka表示学习，因此您可以将维度截断至32而无需重新训练。
如何从 OpenAI 的 text-embedding-3-large 迁移到 Jina Embeddings 模型？
keyboard_arrow_down
迁移过程非常简单：我们的 API 端点 与 OpenAI 的 text-embedding-3-large 的输入和输出 JSON 模式相匹配，因此在大多数代码库中，您只需更改基本 URL、API 密钥和模型名称即可。Jina On-Prem 容器也同样如此，它们还公开了 Elastic Inference Service (EIS)、Cohere、Voyage AI 和 Gemini 模式，因此 Jina 模型可以直接替换现有代码路径中的模型。请注意，来自不同模型系列的向量不具有可比性，因此您必须重新嵌入语料库，而不是将来自两个提供商的向量混合在一个索引中。有关 Jina On-Prem 容器本身的信息，请联系 Elastic Sales。
如何计算图像和其他非文本输入的词元？
keyboard_arrow_down
文本按标准方式计数。非文本输入由相应的编码器转换为标记（token），其成本很大程度上取决于您使用的模型，因此请使用您自己的输入进行测量，而不是假设。作为参考，一张 600x600 像素的图像的成本约为： • jina-embeddings-v5-omni-small：约 363 个标记 • jina-embeddings-v5-omni-nano：约 362 个标记 • jina-embeddings-v4：约 4,840 个标记 • jina-clip-v2：约 16,000 个标记 v5-omni 模型每张图像的成本比旧模型低一到两个数量级。每个响应都包含一个 usage 对象，其中包含该请求的确切token计数，包括多模态输入的 image_tokens 细分，以便您可以验证每次调用的成本。
你们提供用于嵌入图像、音频或视频的模型吗？
keyboard_arrow_down
是的。jina-embeddings-v5-omni-small 和 jina-embeddings-v5-omni-nano 将文本、图像、音频、视频和 PDF 嵌入到同一个共享的向量空间中。jina-embeddings-v4 和 jina-clip-v2 则处理文本和图像。
Jina向量模型能否在私人数据或公司数据上进行微调？
keyboard_arrow_down
有两种途径。自助式途径是使用微调 API，它可以根据您对领域的描述生成合成训练数据，并返回一个微调后的模型，而无需您自行构建带标签的数据集。如果您需要根据商业协议在专有数据上、专用基础设施上，或使用不在基础模型选择器中的模型进行微调，请联系Elastic Sales；这项工作由 Elastic 负责范围界定和合同签订。
联系我们
模型可以私有托管吗？比如托管在我自己的基础设施上或者我自己的云账户里？
keyboard_arrow_down
是的，有两种方式。Jina 模型已在 AWS、Azure 和 GCP Marketplace 上架，因此您可以将其部署在您自己的云账户中。对于自管理、本地部署或物理隔离的基础设施，Elastic 提供名为 Jina On-Prem 的商业许可，该许可自 2026 年 8 月 10 日起生效，它将模型以完全离线的 Docker 容器形式交付，无需外部调用，也无需许可证服务器。如需获取报价，请联系 Elastic Sales。
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
task 参数是什么？什么时候该用它？
keyboard_arrow_down
task 参数会选择特定任务的 LoRA adapter 以获得最佳效果。retrieval.query 用于检索的查询侧，retrieval.passage 用于被检索的文档侧，text-matching 用于对称相似度（例如去重或改写检测），classification 用于分类，separation 用于聚类。检索是不对称的，把查询/文档两侧用反会明显掉点。支持该参数的模型有 jina-embeddings-v5、jina-embeddings-v4 和 jina-embeddings-v3。
什么是迟交互检索？哪些模型支持？
keyboard_arrow_down
迟交互保留词元级向量，而不是将文档合并成一个向量，这样虽然会增加索引大小，但可以保留更细粒度的细节信息。jina-embeddings-v4 通过 output_type 参数支持密集（单向量）和迟交互（多向量）输出，而 jina-colbert-v2 则是一个专用的迟交互模型。对于大多数检索流程而言，使用密集 v5 模型后接重排序器可以获得更好的准确率/成本平衡。
什么是延迟分块？什么时候该用它？
keyboard_arrow_down
延迟分块首先使用长上下文模型对整个文档进行嵌入，然后从词元级表示中导出块向量。与将每个块孤立嵌入的朴素分块不同，延迟分块保留了跨块上下文，这提高了 RAG 管道中的检索质量，因为在这些管道中，一个块引用了文档中前面定义的内容。使用 late_chunking 参数启用此功能。
为什么 API 强制执行的上下文长度与模型支持的上下文长度不同？
keyboard_arrow_down
某些模型在架构上能够处理比托管 API 所接受的更长的上下文。非常长的序列会消耗大量的 GPU 内存，我们会针对大多数用例调整服务配置，以平衡吞吐量、延迟和成本。如果您需要完整的架构上下文长度，请自行运行模型：联系 Elastic Sales 了解自助部署方案。
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 基础模型构建，该模型以 Qwen 研究许可发布，仅允许用于研究和非商业用途。因此，我们无法对其进行商业授权，而是通过 API 免费提供。此外，它是一个 38 亿参数模型，因此每次请求的处理速度较慢，并且我们限制了其吞吐量以控制基础设施成本。它不适用于生产工作负载，因此，它不通过 Elastic Inference Service 提供，也不作为 Jina On-Prem 的一部分提供。对于生产环境，请使用 jina-embeddings-v5 系列：它速度更快，检索基准测试结果更出色，并且可以通过 Elastic Sales 获得商业授权。
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
付费版： 500 RPM，2M TPM
高级版： 5,000 RPM，50M TPM

为防止滥用，每 60 秒还存在 10,000 次请求的额外 IP 限制。限制按密钥应用，并在 60 秒窗口内计算，因此突发请求会被平滑处理而不是排队；超过限制的请求将返回 HTTP 429 错误，并应使用指数退避算法重试。如果您需要超出高级版级别的限制，或者完全没有共享租户限制的专用容量，请联系 Elastic Sales。
我应该选择哪种向量模型？
keyboard_arrow_down
文本检索建议首先使用 jina-embeddings-v5-text-small：它是我们提供的最强大的小于 10 亿参数的模型，可处理 32K 上下文。如果延迟、成本或边缘硬件比精度更重要，则应使用 jina-embeddings-v5-text-nano。处理图像、音频、视频或 PDF 时，请使用 jina-embeddings-v5-omni-small 或 v5-omni-nano；它们的文本输出与相应的文本模型完全相同，因此您可以将这些模态添加到现有索引中而无需重新嵌入。源代码请使用 jina-code-embeddings-0.5b 或 1.5b。同一系列中，版本越新越好。
图片和PDF文件的大小限制是多少？
keyboard_arrow_down
图片文件最大大小为 5 MB，PDF 文件最大大小为 8 MB。超过此限制的文件将被拒绝并显示错误信息。

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

我需要商业许可证吗？

CC BY-NC 许可自查
play_arrow
您使用的是我们托管的 API，还是我们在 Azure、AWS 或 GCP 上的官方镜像？
play_arrow
是
无需单独购买许可。商业用途已包含在服务条款中：通过本网站或云市场注册并付费即可。
play_arrow
否
play_arrow
您是否在自己运行模型权重，并用于商业产品或服务？
play_arrow
否
无需购买许可。下载、评估、跑基准测试和研究用途，在我们发布模型所用的每一种许可下都是允许的，注明出处即可。
play_arrow
是
play_arrow
该模型采用哪种许可协议？模型在 Hugging Face 上的页面会写明。
play_arrow
Apache-2.0
Apache-2.0 允许商业用途，无需购买许可。我们早期的 v1、v2 代模型采用这一许可。
play_arrow
CC BY-NC 4.0
您需要商业许可。自 2026 年 8 月 10 日起，Elastic 以独立 SKU 的形式销售 Jina 模型的商业许可，名为 Jina On-Prem。它覆盖自托管、本地部署和物理隔离（air-gapped）部署，且无需 Elasticsearch 订阅。
如果您已经是 Elastic 客户，您的客户团队可以把它并入现有合同。
联系 Elastic Sales
play_arrow
Qwen 研究许可证
研究许可不允许任何商业用途，我们为其他模型提供的商业许可也不覆盖它。这个模型没有商业选项，自托管和走 API 都不行。请改用另外两种许可下的模型。
API 相关常见问题
code
我可以在所有 Jina API 中使用同一个 API 密钥吗？
keyboard_arrow_down
是的。一个 API 密钥可用于 Jina AI 搜索基础产品的所有功能，包括 Reader、Embeddings、Reranker、Classifier 和 Segmenter API，所有功能共享相同的 token。
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，API 密钥没有过期日期。如果密钥泄露，请在 API 密钥控制面板 中自行撤销，立即生效；想避免服务中断可以先申请一个替代密钥。任何剩余的 token 余额都留在账户里，而不是随撤销的密钥一起没了。如果您无法访问控制面板，或者怀疑账户本身被盗用，请联系 Elastic Support。
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
每个 API 密钥均有速率限制：

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

此外，每 60 秒还存在 10,000 次请求的 IP 地址限制。不同端点的限制有所不同；请参阅上方的速率限制表，了解每个端点的具体限制。
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。
code
Jina API 与 Elastic 中的 Jina 模型是同一回事吗？
keyboard_arrow_down
不，这是三种不同的路径。本网站上的 Jina API 是自助式的，采用按需付费模式，需要 Jina API 密钥。Elastic Inference Service (EIS) 在 Elastic Cloud 中运行 Jina 模型，费用通过您的 Elastic 订阅收取，无需您管理任何基础设施。Jina On-Prem 是 Elastic 自 2026 年 8 月 10 日起作为其独立 SKU 销售的商业许可证，用于在您自己的自管理本地或物理隔离的基础设施中运行模型。有关 EIS 和 On-Prem 路径的更多信息，请联系 Elastic Sales。
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
是的。新用户将获得一个自动生成的 API 密钥，其中包含可在我们所有模型中使用的免费词元。免费词元用完后，您可以在“购买词元”选项卡中为该密钥购买更多词元。
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
对于自助词元购买，Stripe 会在购买时向您的 Stripe 账户关联的电子邮件地址发送发票。如果您需要正式的采购订单、协商合同、采购文件或通过 Elastic 而非 Stripe 处理的合并账单，请联系 Elastic Sales。
attach_money
如何购买商业许可证而不是 API 词元？
keyboard_arrow_down
在本站购买词元仅涵盖使用托管的 Jina API。这些词元不包含您在自有基础设施上运行模型权重的许可。为此，Elastic 自 2026 年 8 月 10 日起以商业许可的形式单独销售，按年收费，而非按词元收费。如需报价，请联系 Elastic Sales。
attach_money
我可以用发票或采购订单付款，而不是用信用卡吗？
keyboard_arrow_down
自助词元购买通过 Stripe 处理，发票将自动发送到您的 Stripe 账户邮箱。对于采购订单、采购流程或超出自助充值支持的交易量，请联系 Elastic Sales。
attach_money
我已付款，但余额或速率限制没有变化，该检查什么？
keyboard_arrow_down
余额和速率限制属于 API key，不属于账号，所以先查 key 本身而不是账号页面：在「API Key & Billing」标签里输入该 key，确认余额和档位。如果账号下有多个 key，token 都在被充值的那个 key 上，未必是您应用实际在用的那个。另外付款后新档位生效可能有短暂延迟。如果 key 已显示余额、但过后仍被限制在原档位，请联系支持。
attach_money
如何取消、关闭自动充值或删除已保存的付款方式？
keyboard_arrow_down
自助计费在客户门户中管理，入口在「API Key & Billing」标签，可在那里关闭自动充值、移除已保存的付款方式。关闭自动充值只是停止后续扣款，已购买的余额仍可继续使用。如果您还需要删除账号及其数据，或希望申请退款，请把请求发给支持；账号删除为人工处理，需要几个工作日，完成后会有书面确认。
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 标志
open_in_new
下载 Elastic 标志
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使用，不面向消费者。