向量模型

面向搜尋、RAG 和智慧體應用的頂尖多模態多語言長上下文向量模型。

向量模型 API

用我們的向量模型，讓您的搜尋與 RAG 系統更上一層樓。立即免費試用！
請求
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": [
    "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。"
    + 新增輸入
  ]
}
EOFEOF

v5-omni：一個向量，涵蓋所有模態

文本、圖像、音頻、影片——共享同一向量空間，提供兩種尺寸。v5-omni-small（1.6B）是 20 億參數以下效能最佳的開放權重全模態模型。v5-omni-nano（0.9B）在 10 億參數以下仍有極具競爭力的檢索表現。兩者與 v5-text 逐位元組相容，無需重新索引。

v5-text：業界領先的小型多語言向量模型

jina-embeddings-v5-text 以兩種高效尺寸（677M 的 small 與 239M 的 nano）帶來第五代向量品質，配備任務專用 LoRA 適配器、Matryoshka 維度、32K 上下文，以及適合邊緣部署的 GGUF/MLX 量化版本，在 MMTEB、MTEB English 及各項檢索任務上重新整理了基準成績。

兩種購買方式

訂閱我們的 API，或透過雲服務商購買。
使用 Jina Search Foundation API
訪問我們全部產品最簡單的方式，按需儲值詞元。
為此 API 金鑰儲值更多詞元
根據您所在的地區，扣款幣種可能為美元、歐元或其他貨幣，並可能需要繳納稅費。
請輸入正確的 API 金鑰以儲值

私有化部署

在 AWS SageMaker 和 Microsoft Azure 上部署 Jina Embeddings 模型，Google Cloud Services 即將支援。如需在虛擬私有雲和自有伺服器上做定製 Kubernetes 部署，請聯絡我們的銷售團隊。
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 整合
我們的 Embedding API 已原生整合到多種知名資料庫、向量儲存、RAG 和 LLMOps 框架中。只需把 API 金鑰複製貼上到下列任一整合中，即可快速上手。
向量儲存
LLMOps
RAG
可觀測性
MongoDB
DataStax
Qdrant
Pinecone
Chroma
Weaviate
Milvus
Epsilla
MyScale
LlamaIndex
Haystack
Langchain
Dify
SuperDuperDB
DashVector
Portkey
Baseten
TiDB
LanceDB
Carbon

我們的論文

想知道我們的前沿搜尋模型是如何從零訓練出來的？請檢視我們的最新論文。歡迎在 EMNLP、SIGIR、ICLR、NeurIPS 和 ICML 與我們的團隊見面！
arXiv
九月 02, 2026
jina-ocr-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards
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
共計 21 篇論文。

學習向量模型

從哪裡開始瞭解向量？我們已備好完整指南，帶您從零開始入門。
五月 12, 2026 • 7 分鐘閱讀
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.
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.
三月 11, 2026 • 7 分鐘閱讀
Bootstrapping Audio Embeddings from Multimodal LLMs
Turn any multimodal LLM into a small audio embedding model that beats CLAP with 25x less data.
三月 06, 2026 • 6 分鐘閱讀
Identifying Embedding Models from Raw Numerical Values
A tiny transformer that fingerprints embedding models by reading raw numerical digits. No feature engineering.

重排模型、向量搜尋與 BM25 對比

下表全面對比了重排模型、向量搜尋和 BM25，逐項列出它們各自的長處與不足。
重排模型向量搜尋BM25
適用場景提升搜尋精度與相關性初步快速篩選面向各類查詢的通用文字檢索
粒度精細：子文件與查詢片段級粗放：整篇文件級居中：各類文字片段級
查詢時間複雜度高中低
索引時間複雜度無需高低，可複用預建索引
訓練時間複雜度高高無需
搜尋品質處理細微差別的查詢更出色兼顧效率與準確性面向各類查詢表現穩定可靠
優勢準確率高，能深入理解上下文快速高效，準確度中等擴展性強，效果久經驗證
免費試用 Reranker API免費使用向量模型 API

向量模型70年

在您的辦公空間或起居室內懸掛一張我們精心製作的海報，在1950年以來文字向量模型的進化和演變中尋找下一個靈感。
瞭解海報
購買海報

常見問題

如何獲取我的 API 金鑰？

速率限制是多少？

速率限制
速率限制按以下維度統計：RPM（每分鐘請求數）和 TPM（每分鐘詞元數）。限制按 IP/API 金鑰分別計算，RPM 或 TPM 任一先達到閾值即觸發限制。若您在請求頭中提供了 API 金鑰，我們將按金鑰而非 IP 地址統計速率限制。
產品API 端點描述無 API 金鑰免費 API 金鑰付費 API 金鑰高級 API 金鑰平均延遲詞元用量計算方式允許的請求
Reader APIhttps://r.jina.ai將 URL 轉換為大模型友好文字20 RPM500 RPM500 RPM5000 RPM7.9s按輸出響應中的詞元數計算。GET/POST
Reader APIhttps://s.jina.ai搜尋網路並將結果轉換為大模型友好文字100 RPM100 RPM1000 RPM2.5s每次請求消耗固定數量的詞元，起步 10,000 個詞元GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank按查詢對文件重排100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
取決於輸入大小
按輸入請求中的詞元數計算。POST
向量模型 APIhttps://api.jina.ai/v1/embeddings將文字/圖片轉為定長向量100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
取決於輸入大小
按輸入請求中的詞元數計算。POST

我需要商業許可證嗎？

CC BY-NC 授權自查
您使用的是我們託管的 API，還是我們在 Azure、AWS 或 GCP 上的官方映像？
API 相關常見問題
與計費相關的常見問題
當前語言 / 主題
搜尋底座
Reader
向量模型
重排模型
獲取 Jina API 金鑰
速率限制
關於我們
新聞
下載 Jina 標誌
下載 Elastic 標誌
API 狀態
Elastic © 2026.安全條款及條件隱私管理 Cookie請勿出售或分享我的個人資訊
本網站及其所有相關內容、軟體、產品和服務僅供專業使用，不面向消費者。