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。
MCP
terminal
命令列
article
llms.txt
smart_toy
智慧體
data_object
Schema
menu_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
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。
閱讀釋出說明arrow_forward

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。
閱讀釋出說明arrow_forward

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
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
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

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
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
shopping_cart購買海報

常見問題

Jina 向量模型是如何訓練的？
keyboard_arrow_down
有關我們的訓練流程、資料來源和評估的詳細資訊，請參閱 arXiv 上的技術報告。jina-embeddings-v5 文字模型的訓練分為兩個階段：首先從更大的教師模型中提取向量，然後在凍結的主幹權重上進行特定任務的 LoRA 適配器訓練。v5-omni 多模態變體增加了一個第三階段，該階段僅訓練跨模態投影器，而文字主幹和適配器保持凍結狀態。
launcharXiv
你們的多模態向量模型是什麼？
keyboard_arrow_down
jina-embeddings-v5-omni-small（約 17.4 億參數，1024 維，32K 上下文）和 jina-embeddings-v5-omni-nano（約 10.4 億參數，768 維，8K 上下文）是我們目前的多模態模型。它們在一個共享的向量空間中接受文本、圖像、音訊、影片和 PDF 文件，因此您可以在一種模態中建立索引，然後在另一種模態中查詢，而無需重新索引。它們的純文本輸出分別與 jina-embeddings-v5-text-small 和 jina-embeddings-v5-text-nano 相同，這意味著您可以將多模態輸入添加到現有的文本索引中，而無需重新嵌入。jina-clip-v2（8.65 億參數）仍然可用，作為一種更輕量級的文本和圖像選項。
launcharXiv
你們的模型支援哪些語言？
keyboard_arrow_down
自 2024 年起釋出的所有模型均支援多語言。jina-embeddings-v5-text-small 和 v5-omni 模型基於 Qwen3 骨幹網構建，具有廣泛的多語言覆蓋；jina-embeddings-v5-text-nano 基於 EuroBERT-210M 構建，涵蓋 15 種主要的歐洲和全球語言，包括英語、法語、德語、西班牙語、中文、日語、阿拉伯語和印地語。jina-embeddings-v3 和 jina-clip-v2 支援 89 種語言。有關每種語言的基準測試資料，請參閱各模型技術報告中的 MMTEB 結果。
launcharXiv
單個輸入的最大上下文長度是多少？
keyboard_arrow_down
上下文長度因模型而異：jina-embeddings-v5-text-small 和 jina-embeddings-v5-omni-small 最多支援 32,768 個 token，而 jina-embeddings-v5-text-nano 和 jina-embeddings-v5-omni-nano 支援 8,192 個 token。jina-embeddings-v4 和 jina-code-embeddings 模型支援 32,768 個 token；jina-embeddings-v3、jina-clip-v2 和 jina-colbert-v2 支援 8,192 個 token。除非設定 truncate: true，否則超過限制的輸入將返回錯誤。
單次請求中最多可以包含多少個輸入？
keyboard_arrow_down
每次請求包含的專案數量沒有硬性限制。API 會根據token數量對輸入進行內部分批處理，以實現最佳 GPU 利用率，因此您可以在單個請求中傳送任意數量的文字或影像。PDF 檔案除外：每次請求只能傳送一個 PDF 檔案。
如何將影像、音訊、影片或 PDF 傳送到多模態模型？
keyboard_arrow_down
使用 image、audio、video 或 pdf 鍵，將型別化物件傳遞到 input 陣列中。該鍵的值可以是公開 URL 或 base64 編碼的位元組。模型會將每種模態的資料路由到相應的編碼器，您可以在單個批次中自由混合使用不同的模態。支援的音訊格式包括 WAV、MP3、FLAC、OGG、M4A 和 Opus；影片以 32 幀均勻取樣的方式進行處理。每個請求必須傳送一個 PDF 檔案。
Jina 向量模型與最新的 OpenAI、Cohere 和 Voyage 模型相比如何？
keyboard_arrow_down
jina-embeddings-v5-text-small（6.77億參數）是MMTEB資料集上參數量低於10億時效能最強的模型，任務級平均得分為67.0，在英語MTEB資料集上的平均得分更是高達71.7。jina-embeddings-v5-text-nano（2.39億參數）在MMTEB資料集上得分為65.5，優於我們評估的所有參數量低於5億時的模型。我們的設計目標是每個參數的效能，而非原始參數量，因此這些模型在提供相當或更優檢索品質的同時，比大多數替代方案的部署成本更低。所有v5模型都支援Matryoshka表示學習，因此您可以將維度截斷至32而無需重新訓練。
如何從 OpenAI 的 text-embedding-3-large 遷移到 Jina Embeddings 模型？
keyboard_arrow_down
遷移過程非常簡單：我們的 API 端點 與 OpenAI 的 text-embedding-3-large 的輸入和輸出 JSON 模式相匹配，因此在大多數程式碼庫中，您只需更改基本 URL、API 金鑰和模型名稱即可。Jina On-Prem 容器也同樣如此，它們還公開了 Elastic Inference Service (EIS)、Cohere、Voyage AI 和 Gemini 模式，因此 Jina 模型可以直接替換現有程式碼路徑中的模型。請注意，來自不同模型系列的向量不具有可比性，因此您必須重新嵌入語料庫，而不是將來自兩個提供商的向量混合在一個索引中。有關 Jina On-Prem 容器本身的資訊，請聯絡 Elastic Sales。
如何計算影像和其他非文字輸入的詞元？
keyboard_arrow_down
文字按標準方式計數。非文字輸入由相應的編碼器轉換為標記（token），其成本很大程度上取決於您使用的模型，因此請使用您自己的輸入進行測量，而不是假設。作為參考，一張 600x600 畫素的影像的成本約為： • jina-embeddings-v5-omni-small：約 363 個標記 • jina-embeddings-v5-omni-nano：約 362 個標記 • jina-embeddings-v4：約 4,840 個標記 • jina-clip-v2：約 16,000 個標記 v5-omni 模型每張影像的成本比舊模型低一到兩個數量級。每個響應都包含一個 usage 物件，其中包含該請求的確切token計數，包括多模態輸入的 image_tokens 細分，以便您可以驗證每次呼叫的成本。
你們提供用於嵌入影像、音訊或影片的模型嗎？
keyboard_arrow_down
是的。jina-embeddings-v5-omni-small 和 jina-embeddings-v5-omni-nano 將文字、影像、音訊、影片和 PDF 嵌入到同一個共享的向量空間中。jina-embeddings-v4 和 jina-clip-v2 則處理文字和影像。
Jina向量模型能否在私人資料或公司資料上進行微調？
keyboard_arrow_down
有兩種途徑。自助式途徑是使用微調 API，它可以根據您對領域的描述生成合成訓練資料，並返回一個微調後的模型，而無需您自行構建帶標籤的資料集。如果您需要根據商業協議在專有資料上、專用基礎設施上，或使用不在基礎模型選擇器中的模型進行微調，請聯絡Elastic Sales；這項工作由 Elastic 負責範圍界定和合同簽訂。
聯絡我們
模型可以私有託管嗎？比如託管在我自己的基礎設施上或者我自己的雲賬戶裡？
keyboard_arrow_down
是的，有兩種方式。Jina 模型已在 AWS、Azure 和 GCP Marketplace 上架，因此您可以將其部署在您自己的雲賬戶中。對於自管理、本地部署或物理隔離的基礎設施，Elastic 提供名為 Jina On-Prem 的商業許可，該許可自 2026 年 8 月 10 日起生效，它將模型以完全離線的 Docker 容器形式交付，無需外部呼叫，也無需許可證伺服器。如需獲取報價，請聯絡 Elastic Sales。
launchAWS SageMakerlaunchGoogle CloudlaunchMicrosoft Azure
task 參數是什麼？什麼時候該用它？
keyboard_arrow_down
task 參數會選擇特定任務的 LoRA adapter 以獲得最佳效果。retrieval.query 用於檢索的查詢側，retrieval.passage 用於被檢索的文件側，text-matching 用於對稱相似度（例如去重或改寫檢測），classification 用於分類，separation 用於聚類。檢索是不對稱的，把查詢/文件兩側用反會明顯掉點。支援該參數的模型有 jina-embeddings-v5、jina-embeddings-v4 和 jina-embeddings-v3。
什麼是遲互動檢索？哪些模型支援？
keyboard_arrow_down
遲交互保留詞元級向量，而不是將文件合併成一個向量，這樣雖然會增加索引大小，但可以保留更細粒度的細節資訊。jina-embeddings-v4 透過 output_type 參數支援密集（單向量）和遲交互（多向量）輸出，而 jina-colbert-v2 則是一個專用的遲交互模型。對於大多數檢索流程而言，使用密集 v5 模型後接重排序器可以獲得更好的準確率/成本平衡。
什麼是延遲分塊？什麼時候該用它？
keyboard_arrow_down
延遲分塊首先使用長上下文模型對整個文件進行嵌入，然後從詞元級表示中匯出塊向量。與將每個塊孤立嵌入的樸素分塊不同，延遲分塊保留了跨塊上下文，這提高了 RAG 管道中的檢索品質，因為在這些管道中，一個塊引用了文件中前面定義的內容。使用 late_chunking 參數啟用此功能。
為什麼 API 強制執行的上下文長度與模型支援的上下文長度不同？
keyboard_arrow_down
某些模型在架構上能夠處理比託管 API 所接受的更長的上下文。非常長的序列會消耗大量的 GPU 記憶體，我們會針對大多數用例調整服務配置，以平衡吞吐量、延遲和成本。如果您需要完整的架構上下文長度，請自行執行模型：聯絡 Elastic Sales 瞭解自助部署方案。
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 基礎模型構建，該模型以 Qwen 研究許可釋出，僅允許用於研究和非商業用途。因此，我們無法對其進行商業授權，而是透過 API 免費提供。此外，它是一個 38 億參數模型，因此每次請求的處理速度較慢，並且我們限制了其吞吐量以控制基礎設施成本。它不適用於生產工作負載，因此，它不透過 Elastic Inference Service 提供，也不作為 Jina On-Prem 的一部分提供。對於生產環境，請使用 jina-embeddings-v5 系列：它速度更快，檢索基準測試結果更出色，並且可以透過 Elastic Sales 獲得商業授權。
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
付費版： 500 RPM，2M TPM
高級版： 5,000 RPM，50M TPM

為防止濫用，每 60 秒還有 10,000 次請求的額外 IP 限制。限制按金鑰套用，並在 60 秒視窗內計算，因此突發請求會被平滑處理而不是排隊；超過限制的請求將返回 HTTP 429 錯誤，並應使用指數退避演算法重試。如果您需要超出高級版級別的限制，或者完全沒有共享租戶限制的專用容量，請聯絡 Elastic Sales。
我應該選擇哪種向量模型？
keyboard_arrow_down
文字檢索建議首先使用 jina-embeddings-v5-text-small：它是我們提供的最強大的 10 億參數以下的模型，可處理 32K 上下文。如果延遲、成本或邊緣硬體比精度更重要，則應使用 jina-embeddings-v5-text-nano。處理影像、音訊、影片或 PDF 時，請使用 jina-embeddings-v5-omni-small 或 v5-omni-nano；它們的文字輸出與相應的文字模型完全相同，因此您可以將這些模態新增到現有索引中而無需重新嵌入。原始碼請使用 jina-code-embeddings-0.5b 或 1.5b。同一系列中，版本越新越好。
圖片和PDF檔案的大小限制是多少？
keyboard_arrow_down
圖片檔案最大大小為 5 MB，PDF 檔案最大大小為 8 MB。超過此限制的檔案將被拒絕並顯示錯誤資訊。

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

我需要商業許可證嗎？

CC BY-NC 授權自查
play_arrow
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？
play_arrow
是
無需單獨購買授權。商業用途已包含在服務條款中：透過本網站或雲市集註冊並付費即可。
play_arrow
否
play_arrow
您是否在自己執行模型權重，並用於商業產品或服務？
play_arrow
否
無需購買授權。下載、評估、跑基準測試和研究用途，在我們釋出模型所用的每一種授權下都是允許的，註明出處即可。
play_arrow
是
play_arrow
該模型採用哪種授權條款？模型在 Hugging Face 上的頁面會寫明。
play_arrow
Apache-2.0
Apache-2.0 允許商業用途，無需購買授權。我們早期的 v1、v2 代模型採用這一授權。
play_arrow
CC BY-NC 4.0
您需要商業授權。自 2026 年 8 月 10 日起，Elastic 以獨立 SKU 的形式銷售 Jina 模型的商業授權，名為 Jina On-Prem。它涵蓋自託管、地端部署和實體隔離（air-gapped）部署，且無需 Elasticsearch 訂閱。
如果您已經是 Elastic 客戶，您的客戶團隊可以把它併入現有合同。
聯絡 Elastic Sales
play_arrow
Qwen 研究許可證
研究授權不允許任何商業用途，我們為其他模型提供的商業授權也不涵蓋它。這個模型沒有商業選項，自託管和走 API 都不行。請改用另外兩種授權下的模型。
API 相關常見問題
code
我可以在所有 Jina API 中使用同一個 API 金鑰嗎？
keyboard_arrow_down
是的。一個 API 金鑰可適用於 Jina AI 搜尋基礎產品的所有功能，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 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，API 金鑰沒有過期日期。如果金鑰洩漏，請在 API 金鑰控制面板 中自行撤銷，立即生效；想避免服務中斷可以先申請一個替代金鑰。任何剩餘的 token 餘額都留在帳戶裡，而不是隨撤銷的金鑰一起沒了。如果您無法存取控制面板，或者懷疑帳戶本身被盜用，請聯絡 Elastic Support。
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卸載部分模型。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
每個 API 金鑰均有速率限制：

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

此外，每 60 秒還有 10,000 次請求的 IP 位址限制。不同端點的限制有所不同；請參閱上方的速率限制表，瞭解每個端點的具體限制。
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。
code
Jina API 與 Elastic 中的 Jina 模型是同一回事嗎？
keyboard_arrow_down
不，這是三種不同的路徑。本網站上的 Jina API 是自助式的，採用按需付費模式，需要 Jina API 金鑰。Elastic Inference Service (EIS) 在 Elastic Cloud 中執行 Jina 模型，費用透過您的 Elastic 訂閱收取，無需您管理任何基礎設施。Jina On-Prem 是 Elastic 自 2026 年 8 月 10 日起作為其獨立 SKU 銷售的商業許可證，用於在您自己的自管理本地或物理隔離的基礎設施中執行模型。有關 EIS 和 On-Prem 路徑的更多資訊，請聯絡 Elastic Sales。
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
對於自助詞元購買，Stripe 會在購買時向您的 Stripe 帳戶關聯的電子郵件地址發送發票。如果您需要正式的採購訂單、協商合同、採購文件或透過 Elastic 而非 Stripe 處理的合併賬單，請聯絡 Elastic Sales。
attach_money
如何購買商業授權證而不是 API 詞元？
keyboard_arrow_down
在本站購買詞元僅涵蓋使用託管的 Jina API。這些詞元不包含您在自有基礎設施上執行模型權重的許可。為此，Elastic 自 2026 年 8 月 10 日起以商業授權的形式單獨銷售，按年收費，而非按詞元收費。如需報價，請聯絡 Elastic Sales。
attach_money
我可以用發票或採購訂單付款，而不是用信用卡嗎？
keyboard_arrow_down
自助詞元購買透過 Stripe 處理，發票將自動傳送到您的 Stripe 帳戶郵箱。對於採購訂單、採購流程或超出自助儲值支援的交易量，請聯絡 Elastic Sales。
attach_money
我已付款，但餘額或速率限制沒有變化，該檢查什麼？
keyboard_arrow_down
餘額和速率限制屬於 API key，不屬於帳號，所以先查 key 本身而不是帳號頁面：在「API Key & Billing」分頁中輸入該 key，確認餘額和層級。如果帳號下有多個 key，token 都在已儲值的那個 key 上，未必是您應用實際在用的那個。另外，付款後新的層級生效可能有短暫延遲。如果 key 已顯示餘額、但事後仍按原層級限制，請聯絡支援。
attach_money
如何取消、關閉自動儲值或刪除已儲存的付款方式？
keyboard_arrow_down
自助計費在客戶門戶中管理，入口在「API Key & Billing」分頁，可在那裡關閉自動儲值、移除已儲存的付款方式。關閉自動儲值只是停止後續扣款，已購買的餘額仍可繼續使用。如果您還需要刪除帳號及其資料，或希望申請退款，請把請求發給支援；帳號刪除為人工處理，需要幾個工作日，完成後會有書面確認。
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
open_in_new
下載 Elastic 標誌
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使用，不面向消費者。