provider

Jina AI

直接答案Jina AI 既是搜索基础模型厂商，也是托管 API 提供方，不是通用聊天模型目录；直连使用 Jina Bearer Key，本站仅以本站密钥开放已适配的 Embeddings 与 Rerank 入口。

更新 2026-08-08 · 审核信息 2026-08-08

Jina 是谁

Jina AI 开发面向搜索与 RAG 的基础模型，同时运营 api.jina.ai 托管 API，并提供云市场或自托管选择。Embedding 把文本或多模态输入变成向量，Reranker 对候选文档精排；Reader、Search 等是另外的托管产品。Jina 不是通用聊天模型目录。

直连与本站认证边界

直连 Jina Search Foundation API 使用 Jina 创建的密钥、Jina Base URL 和 Authorization: Bearer。本站同样使用 Bearer 语法，但必须换成本站 Base URL、本站密钥和模型广场中的精确模型 ID。本站 api_paths 只表示已经适配的 /v1/embeddings 与 /v1/rerank 入口，不代表 Reader、Search、全部 Jina 型号或所有原生扩展字段都可用。

Embedding 的 input、task 与 input_type

input 可按型号接收文本、文本对象或列表；部分多模态型号还接受图片或 PDF 的 URL、Base64 bytes。task 不是通用 input 类型：在 jina-embeddings-v3/v4 中，它选择 retrieval.query、retrieval.passage、text-matching、classification 或 separation 等任务适配器。input_type=query/document 则用于 ColBERT 等特定多向量协议。字段、截断和内容类型必须按精确型号与本站转发能力做契约测试。

Rerank 放在召回之后

典型 RAG 先用 Embedding 或关键词检索召回较多候选，再把 query、documents 和所需 top_n 交给 Reranker，按返回分数与原始索引重新排序。Reranker 不保存语料，也不替代向量库、权限过滤或引用管理；候选数量和文本长度会直接影响 token、延迟与费用。

维度变化为什么要重建索引

Jina 部分模型支持 Matryoshka dimensions，但允许值、默认维度和最低有效维度都因模型而异。向量库 schema 必须与输出维度一致；更换模型、task、维度或归一化方式后，旧向量与新向量不能假定可比较。生产应新建索引、重新嵌入全部语料，并用固定查询回归召回率和排序质量后再切流。

限流、密钥与数据安全

Jina 官方 API 按 RPM、TPM、并发和 IP 维度限流，额度随 Key 层级变化；读取当前响应头与 429 错误，不要把具体数字永久写死。官方产品 FAQ 与法律页说明客户请求、输入、提示或上传内容不用于训练其模型，同时当前数据处理受 Elastic 相关条款约束。API Key 只存服务端，泄露后撤销；敏感数据遵循最小化、合法来源与当前 DPA/隐私政策，Reader 也不能用于绕过网站访问控制。

已核验厂商目录

按能力类型查看最新模型

核验于 2026-08-08

这里展示厂商官方目录中的具体型号，不代表本站一定已开放；可调用 ID、端点和价格请以模型广场为准。

向量、检索与重排

jina-reranker-v3.5 开放权重

Jina 最新多语种重排模型，面向长上下文检索结果精排。

发布于 2026-07-27

官方型号目录 ↗ 模型详情 →
jina-embeddings-v5-omni-small 开放权重

支持文本和视觉输入的新一代多模态向量模型。

发布于 2026-05-07

官方型号目录 ↗ 模型详情 →
jina-embeddings-v5-text-small 开放权重

面向多语种文本检索的 32K 上下文向量模型。

发布于 2026-02-18

官方型号目录 ↗ 模型详情 →

前往模型广场核对实时可用型号

适用场景

文本和多模态嵌入
搜索结果重排
网页读取与 RAG

API 协议

/v1/embeddings
/v1/rerank

FAQ

Jina AI 是模型厂商还是一个托管 API？

两者都是。Jina AI 开发 Embedding、Reranker 等搜索基础模型，也通过 api.jina.ai 托管这些能力，并提供其他部署渠道；它的重点是检索与 RAG，而不是通用聊天模型。

直连 Jina 与通过本站调用可以共用 API Key 吗？

不可以。两者都使用 Authorization: Bearer，但直连需要 Jina 创建的 Key 与 Jina Base URL，本站需要本站 Key 与本站 Base URL；密钥不能混用。

Embedding 的 task 和 input_type 应该怎么选？

字段按模型而异。jina-embeddings-v3/v4 用 task 选择 retrieval.query、retrieval.passage、text-matching、classification 或 separation；ColBERT 等多向量模型用 input_type 区分 query 与 document。不要把字段无条件发送给所有型号。

Embedding 改模型或 dimensions 后要重建向量索引吗？

通常需要。不同模型、task、维度或归一化方式生成的向量不能假定可直接比较；维度还必须匹配向量库 schema。应建立新索引并重新嵌入，再做召回回归测试。

已经有向量检索，为什么还需要 Jina Reranker？

Embedding 适合从大规模语料快速召回候选，Reranker 再根据 query 与候选文档的细粒度相关性重新排序。它改善候选顺序，但不替代向量库、权限过滤或生成模型。

Jina API 的限流和数据安全要注意什么？

官方按 RPM、TPM、并发和 IP 实施分层限制，具体额度应查当前 Key 方案与响应头。官方说明 API 请求、输入和输出不用于训练模型；生产仍要保护密钥、最小化敏感数据，并核对当前 Elastic DPA 与隐私条款。