Elastic
Jina AI
模型
API
keyboard_arrow_down
Reader
把任意 URL 轉成 Markdown，為大模型提供更好的事實依據。
向量模型
多模態多語言向量模型。
重排模型
讓搜尋相關性最大化的重排模型。
Elastic Inference Service
在 Elasticsearch 中原生執行 Jina 模型。
MCP terminal命令列articlellms.txtsmart_toy智慧體data_objectSchemamenu_book文件
登入
login

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！
keyAPI 金鑰與計費
code用量
more_horiz更多
chevron_leftchevron_right
home
speed速率限制
bug_report問題反饋
help_outline常見問題
服務狀態
chevron_leftchevron_right
upload
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": [
    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。"
    + 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 介面卡、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。
radio_button_unchecked
cloud
攜手 3 家雲服務商
在用 AWS 或 Azure？您可以直接在公司的雲平臺上部署我們的模型，並透過雲服務商帳戶統一結算。
AWS SageMaker
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
radio_button_checked
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
瞭解速率限制
速率限制指每個 IP 地址／API 金鑰每分鐘可發起的最大請求數（RPM）。各產品和各檔位的速率限制詳見下表。
keyboard_arrow_down
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arrow_upward無 API 金鑰key_off免費 API 金鑰key付費 API 金鑰key高級 API 金鑰key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 RPMtrending_up5000 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block100 RPM100 RPMtrending_up1000 RPM2.5s每次請求消耗固定數量的詞元，起步 10000 個詞元GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank按查詢對文件重排block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取決於輸入大小
help
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block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取決於輸入大小
help
按輸入請求中的詞元數計算。POST
分類器 APIhttps://api.jina.ai/v1/train使用帶標籤的樣本訓練分類器block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元 × 迭代次數POST
分類器 API (少樣本)https://api.jina.ai/v1/classify使用經過訓練的少樣本分類器對輸入進行分類block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元POST
分類器 API (零樣本)https://api.jina.ai/v1/classify使用零樣本分類對輸入進行分類block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元 + 標籤詞元POST
Segmenter APIhttps://api.jina.ai/v1/segment對長文字進行分詞分句20 RPM200 RPM200 RPM1,000 RPM0.3s不計入詞元用量。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions透過推理、搜尋與迭代找到最佳答案block50 RPM50 RPM500 RPM56.7s統計整個流程消耗的詞元總數。POST

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。如需在虛擬私有云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
Embeddings
Reranker
Microsoft Azure
Embeddings
Reranker
Google Cloud
Embeddings
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
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
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 20 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.
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.
Han Xiao
Fingerprint illustration made from numbers, showcasing digital and high-tech design on a light background.
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.
Han Xiao

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，準確度中等擴充套件性強，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
shopping_cart購買海報

常見問題

Jina 向量模型是如何訓練的？
keyboard_arrow_down
有關我們的訓練過程、資料來源和評估的詳細資訊，請參閱我們在 arXiv 上釋出的 jina-embeddings-v3 和 jina-embeddings-v4 技術報告。
launcharXiv
你們的多模態向量模型是什麼？
keyboard_arrow_down
jina-embeddings-v4 是我們最新的通用多模態模型（38 億參數），支援文本和圖片，上下文長度 32K，同時支援稠密檢索和遲交互檢索，在圖文混排文件上達到業界領先水平。jina-clip-v2 更為輕量（8.65 億參數），支援 89 種語言、512x512 圖片解析度和 Matryoshka 表示。兩者在文本-文本、文本-圖片和圖片-圖片檢索任務上均表現出色。
launcharXiv
你們的模型支援哪些語言？
keyboard_arrow_down
jina-embeddings-v4 和 jina-embeddings-v3 均支援 89 種語言，多語言表現出色。排名前 30 的語言包括：阿拉伯語、孟加拉語、中文、丹麥語、荷蘭語、英語、芬蘭語、法語、喬治亞語、德語、希臘語、印地語、印尼語、義大利語、日語、韓語、拉脫維亞語、挪威語、波蘭語、葡萄牙語、羅馬尼亞語、俄語、斯洛伐克語、西班牙語、瑞典語、泰語、土耳其語、烏克蘭語、烏爾都語和越南語。jina-clip-v2 同樣支援 89 種語言，可用於多模態任務。
launcharXiv
單個句子輸入的最大長度是多少？
keyboard_arrow_down
上下文長度因模型而異：jina-embeddings-v4 最多支援 32K 詞元，jina-embeddings-v3 和 jina-clip-v2 最多支援 8192 詞元。一個詞元可以是一個字元，也可以是一個完整的單詞。更長的上下文讓您能夠完整分析長文件，在處理大量文字時也能更準確地理解上下文。
單個請求中最多可以包含多少個句子？
keyboard_arrow_down
單次請求包含的條目數沒有硬性上限。API 會在內部按詞元數對輸入分批，以充分利用 GPU。您可以在一次請求中傳送所需數量的文字或圖片。
如何把圖片傳給多模態向量模型？
keyboard_arrow_down
對於 jina-embeddings-v4、jina-clip-v2 和 jina-clip-v1，您可以使用 url 或 bytes，填入 API 請求的 input 欄位。使用 url 時，填入待處理圖片的地址；使用 bytes 時，把圖片編碼為 base64 格式。jina-embeddings-v4 還支援直接向量化 PDF 文件，傳入 PDF 地址或 base64 編碼的 PDF 位元組即可。
Jina Embeddings 模型與 OpenAI 和 Cohere 的最新向量模型相比如何？
keyboard_arrow_down
jina-embeddings-v4 是我們最新的旗艦模型，在圖文混排文件檢索（ViDoRe）和多模態基準測試上均達到業界領先水平。在純文字任務上，jina-embeddings-v3 於 MTEB 英語和多語言基準上超越 OpenAI 和 Cohere，同時體積更小、效率更高。兩個模型都支援 Matryoshka 表示學習（MRL），可在效能損失很小的前提下截斷維度（v3 最低可至 32 維，v4 最低可至 128 維）。
如何從 OpenAI 的 text-embedding-3-large 遷移到 Jina Embeddings 模型？
keyboard_arrow_down
遷移非常順暢，因為我們的 API 端點與 OpenAI text-embedding-3-large 模型的輸入和輸出 JSON 結構一致。得益於這種相容性，您在使用 OpenAI 端點時可以直接把模型換成我們的。
使用 jina-clip 和 jina-embeddings 模型時，詞元是如何計算的？
keyboard_arrow_down
詞元數根據文字長度和圖片尺寸計算。請求中的文字按標準方式計數；圖片則按以下步驟處理： 1. 圖塊大小：每張圖片會被切分成圖塊。jina-embeddings-v4 的圖塊為 28x28 畫素，jina-clip-v2 為 512x512 畫素，jina-clip-v1 為 224x224 畫素。 2. 覆蓋：計算覆蓋整張圖片所需的圖塊數量。即使圖片尺寸無法被圖塊尺寸整除，不完整的圖塊也按完整圖塊計。 3. 圖塊總數：覆蓋圖片的圖塊總數決定費用。例如一張 600x600 畫素的圖片，在 jina-embeddings-v4 中需要 22x22 個圖塊（484 個），在 jina-clip-v2 中需要 2x2 個圖塊（4 個），在 jina-clip-v1 中需要 3x3 個圖塊（9 個）。 4. 費用計算：jina-embeddings-v4 每個圖塊計 10 個詞元，jina-clip-v2 每個圖塊計 4000 個詞元，jina-clip-v1 每個圖塊計 1000 個詞元。 示例： 以一張 600x600 畫素的圖片為例： • 使用 jina-embeddings-v4 • 圖片被切分為 28x28 畫素的圖塊。 • 所需圖塊總數為 22（橫向）x 22（縱向）= 484 個。 • jina-embeddings-v4 的費用為 484*10 = 4840 個詞元。 • 使用 jina-clip-v2 • 圖片被切分為 512x512 畫素的圖塊。 • 所需圖塊總數為 2（橫向）x 2（縱向）= 4 個。 • jina-clip-v2 的費用為 4*4000 = 16000 個詞元。 • 使用 jina-clip-v1 • 圖片被切分為 224x224 畫素的圖塊。 • 所需圖塊總數為 3（橫向）x 3（縱向）= 9 個。 • jina-clip-v1 的費用為 9*1000 = 9000 個詞元。
你們有向量化圖片或音訊的模型嗎？
keyboard_arrow_down
是的，jina-embeddings-v4、jina-clip-v2 和 jina-clip-v1 都可以同時向量化圖片和文字。支援更多模態的向量模型即將釋出！
Jina 向量模型可以用私有資料或公司資料微調嗎？
keyboard_arrow_down
如需用特定資料微調我們的模型，請聯絡我們詳談您的需求。我們樂於探討如何調整模型來貼合您的場景。
聯絡我們
您的服務可以在 AWS、Azure 或 GCP 上私有化部署嗎？
keyboard_arrow_down
可以，我們的服務已上架 AWS、Azure 和 GCP 市場。如有特殊需求，請透過 sales AT jina.ai 聯絡我們。
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
task 引數是什麼？什麼時候該用它？
keyboard_arrow_down
task 引數可在 jina-embeddings-v3 和 jina-embeddings-v4 中啟用任務專屬的 LoRA 介面卡，以獲得最佳效果。搜尋查詢用 retrieval.query，被檢索的文件用 retrieval.passage，語義相似度用 text-matching，文字分類用 classification，聚類任務用 separation。
什麼是遲互動檢索？哪些模型支援？
keyboard_arrow_down
jina-embeddings-v4 透過 output_type 引數同時支援稠密（單向量）檢索和遲互動（多向量）檢索。遲互動保留了更細粒度的詞元級資訊，在複雜查詢上檢索準確率更高。jina-colbert-v2 是專門的遲互動模型。
什麼是遲分？什麼時候該用它？
keyboard_arrow_down
遲分是這樣一種技術：先用長上下文模型對整篇文件做向量化，再從詞元級表示中提取各分塊的向量。與樸素分塊（先分塊、再向量化）不同，遲分保留了跨分塊的上下文，可提升 RAG 應用的檢索效果。在 jina-embeddings-v3 中透過 late_chunking 引數啟用。
為什麼 API 支援的上下文長度與模型的最大容量不同？
keyboard_arrow_down
我們的部分向量模型在架構上雖能處理更長的上下文，但受推理基礎設施的 GPU 視訊記憶體所限，API 可能會設定更低的上限。處理超長序列需要佔用大量視訊記憶體，因此我們在服務配置上做了權衡，以兼顧大多數場景下的吞吐量、延遲與成本。如需更長的上下文支援，請聯絡銷售團隊洽談專屬部署方案。
為什麼 jina-embeddings-v4 是免費的，速度又比較慢？
keyboard_arrow_down
jina-embeddings-v4 基於 Qwen2-VL 基座模型構建，而後者以 Qwen 研究許可釋出。該許可僅允許研究和非商業用途，因此我們無法把 jina-embeddings-v4 作為商業產品出售，只能透過 API 免費提供。jina-embeddings-v4 之所以看起來比其他模型慢，有兩個原因：第一，jina-embeddings-v4 比 jina-embeddings-v3 大得多，每次請求本身就需要更多計算時間；第二，由於無法商業化，我們有意限制了 API 吞吐量以控制基礎設施成本。使用 jina-embeddings-v4 API 時，請不要期待大批次或生產級的吞吐能力。如果生產負載需要更高吞吐，建議改用 jina-embeddings-v3，或從 Hugging Face 獲取 jina-embeddings-v4 並部署在自有基礎設施上。
Embeddings API 的速率限制是多少？
keyboard_arrow_down
速率限制取決於您的 API 金鑰類型：

免費版： 100 RPM，100K TPM，2 個併發請求
付費版： 500 RPM，2M TPM，50 個併發請求
高級版： 5,000 RPM，50M TPM，500 個併發請求

此外，為了防止濫用，我們還設置了基於 IP 地址的速率限制，每 60 秒最多 10,000 個請求。如果您需要更高的限制，請聯繫我們的銷售團隊。
各個向量模型的上下文長度上限分別是多少？
keyboard_arrow_down
每個模型對單條輸入的上下文長度上限如下：

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

超出上限的輸入會返回錯誤，除非設定 truncate: true，屆時會自動截斷到最大長度。
圖片和PDF檔案的大小限制是多少？
keyboard_arrow_down
檔案大小上限為：圖片：5 MB，PDF：8 MB。超過上限的檔案會被拒絕並返回錯誤。

如何獲取我的 API 金鑰？

video_not_supported

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arrow_upward無 API 金鑰key_off免費 API 金鑰key付費 API 金鑰key高級 API 金鑰key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 RPMtrending_up5000 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block100 RPM100 RPMtrending_up1000 RPM2.5s每次請求消耗固定數量的詞元，起步 10000 個詞元GET/POST
Reranker APIhttps://api.jina.ai/v1/rerank按查詢對文件重排block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取決於輸入大小
help
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block100 RPM & 100,000 TPM500 RPM & 2,000,000 TPMtrending_up5,000 RPM & 50,000,000 TPM
ssid_chart
取決於輸入大小
help
按輸入請求中的詞元數計算。POST
分類器 APIhttps://api.jina.ai/v1/train使用帶標籤的樣本訓練分類器block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元 × 迭代次數POST
分類器 API (少樣本)https://api.jina.ai/v1/classify使用經過訓練的少樣本分類器對輸入進行分類block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元POST
分類器 API (零樣本)https://api.jina.ai/v1/classify使用零樣本分類對輸入進行分類block25 RPM & 25,000 TPM125 RPM & 500,000 TPM1,250 RPM & 12,000,000 TPM
ssid_chart
取決於輸入大小
詞元計數為：輸入詞元 + 標籤詞元POST
Segmenter APIhttps://api.jina.ai/v1/segment對長文字進行分詞分句20 RPM200 RPM200 RPM1,000 RPM0.3s不計入詞元用量。GET/POST
DeepSearchhttps://deepsearch.jina.ai/v1/chat/completions透過推理、搜尋與迭代找到最佳答案block50 RPM50 RPM500 RPM56.7s統計整個流程消耗的詞元總數。POST

我需要商業許可證嗎？

CC BY-NC 許可自檢
play_arrow
您使用的是我們的官方 API，或 Azure、AWS、GCP 上的官方映象嗎？
play_arrow
是
沒有任何限制。只需透過我們的網站或雲市場註冊並付費即可。
play_arrow
否
play_arrow
您是 Elastic 的付費客戶嗎？
play_arrow
是
您的 Elastic 許可證可能已包含商業用途。如有疑問，請聯絡您的 Elastic 銷售代表。
聯絡銷售
play_arrow
否
我們目前無法簽發獨立的商業許可協議。請聯絡 Elastic 銷售部門瞭解更多資訊。
聯絡銷售
API 相關常見問題
code
Reader、向量模型、重排、分類和微調 API 可以共用同一個 API 金鑰嗎？
keyboard_arrow_down
可以，同一個 API 金鑰適用於 Jina AI 的所有搜尋底座產品，包括 Reader、向量模型、重排、分類和微調 API，詞元額度在各項服務之間共享。
code
我可以查看 API 金鑰的詞元用量嗎？
keyboard_arrow_down
可以，在「API 金鑰與計費」標籤頁輸入您的 API 金鑰，即可查看近期用量記錄和剩餘詞元。如果您已登入 API 控制面板，也可以在「管理 API 金鑰」標籤頁查看這些資訊。
code
如果我忘記了 API 金鑰，該怎麼辦？
keyboard_arrow_down
如果您弄丟了已儲值的金鑰並希望找回，請用註冊郵箱聯繫 support AT jina.ai。建議登入帳戶，這樣 API 金鑰可以安全保存、隨時取用。
聯絡我們
code
API 金鑰會過期嗎？
keyboard_arrow_down
不會，我們的 API 金鑰沒有有效期。但如果您懷疑金鑰已洩漏並希望停用，請聯繫我們的支援團隊。您也可以在 API 金鑰控制面板中自行銷毀金鑰。
聯絡我們
code
可以在不同 API 金鑰之間轉移詞元嗎？
keyboard_arrow_down
可以，您能把詞元從一個高級金鑰轉到另一個金鑰。在 API 金鑰控制面板登入帳戶後，進入待轉出金鑰的設置頁，即可轉移全部剩餘的付費詞元。
code
我可以銷毀我的 API 金鑰嗎？
keyboard_arrow_down
可以，如果您認為金鑰已洩漏，可以銷毀它。銷毀後，所有保存該金鑰的使用者都會立即無法使用，剩餘額度和關聯屬性也將永久失效。如果是高級金鑰，您可以在銷毀前把剩餘的付費額度轉移到另一個金鑰。請注意，此操作無法撤銷。要銷毀金鑰，請前往 API 金鑰控制面板中的金鑰設置。
code
為什麼有些模型的首次請求比較慢？
keyboard_arrow_down
這是因為我們的無伺服器架構會在使用率較低時解除安裝部分模型。首次請求會啟用或“預熱”模型，需要幾秒鐘。啟用之後，後續請求的處理速度會快得多。
code
我的 API 資料會被用來訓練你們的模型嗎？
keyboard_arrow_down
不會。我們絕不會用您的 API 請求、輸入或輸出來訓練向量模型、重排模型或任何其他模型。您的資料始終屬於您。
code
Jina API 的速率限制是多少？
keyboard_arrow_down
速率限制按 API 金鑰計算：

免費版：100 RPM，100K TPM，2 個併發請求
付費版：500 RPM，2M TPM，50 個併發請求
高級版：5,000 RPM，50M TPM，500 個併發請求

此外還有基於 IP 的速率限制，每 60 秒 10,000 個請求。以上限制適用於所有 Jina API（Embeddings、Reranker、Reader 等）。
code
API 有批次大小限制嗎？
keyboard_arrow_down
Embeddings 和 Reranker API 都沒有批次大小限制，每次請求可以傳送任意數量的條目或文件。兩個 API 都會在內部按詞元數對輸入分批，以充分利用 GPU。
與計費相關的常見問題
attach_money
API 是按句子數還是按請求數計費？
keyboard_arrow_down
我們按處理的詞元總數計費，您可以把這些詞元靈活分配到任意數量的句子上，用更低的成本滿足各種文字分析需求。
attach_money
新使用者可以免費試用嗎？
keyboard_arrow_down
我們為新使用者提供免費試用：系統自動生成的 API 金鑰內含一千萬詞元，可用於我們的任何模型。免費額度用完後，您可以在「儲值」標籤頁為金鑰購買更多詞元。
attach_money
失敗的請求是否會扣除詞元？
keyboard_arrow_down
不，失敗的請求不會扣除詞元。
attach_money
接受哪些付款方式？
keyboard_arrow_down
付款透過 Stripe 處理，支援信用卡、Google Pay、PayPal 等多種方式，方便您選擇。
attach_money
儲值後可以開具發票嗎？
keyboard_arrow_down
可以，儲值後發票會傳送到與您 Stripe 帳戶關聯的郵箱。
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 徽標
open_in_new
下載 Elastic 徽標
open_in_new
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人士使用。不面向任何消費者，也不鼓勵任何消費者使用。