Elastic 中国社区官方博客

Jina AI发布多模态嵌入模型jina-embeddings-v5-omni，支持文本、图像、音频和视频处理。该模型采用冻结文本骨干网络架构，仅训练0.35%的权重，在保持与v5-text文本嵌入完全一致的同时，新增视觉和音频处理能力。其中1.57B参数的small版本在文本、图像和音频任务上表现优异，接近更大参数量的基线模型；0.95B参数的nano版本则在小规模下保持竞争力。该模型支持模块化部署，现有文本索引无需重建即可直接使用，实现了多模态检索的即插即用升级。

Jina-embeddings-v5-omni是一款创新的多模态嵌入模型，支持文本、图像、视频和音频的统一索引与跨模态检索。该模型基于jina-embeddings-v5-text架构扩展，通过创新的跨模态投影技术整合视觉和音频编码能力，在保持紧凑模型规模（small版7亿参数）的同时，提供行业领先的多媒体语义理解性能。其特点包括：支持近100种语言、可截断嵌入降低存储需求、量化优化提升效率，在视觉文档检索、视频片段定位等任务中表现优异。目前提供small和nano两个版本，支持Elasticsearch集

摘要：Elastic与Jina AI合作推出jina-embeddings-v3文本嵌入模型，现可在Google Cloud的Gemini Enterprise Agent Platform Model Garden上自行部署。该模型运行在用户自有VPC内的L4 GPU实例上，确保数据安全、成本可控。模型支持8K上下文、1024维输出，并具备多语言能力。未来还将陆续推出v5系列文本嵌入、重排序模型jina-reranker-v3和多模态模型jina-clip-v2，形成完整检索栈。这种部署模式避免了API调

JinaAI推出Model Context Protocol (MCP)简化AI代理开发，通过标准化API连接工具与LLM。文章展示了三个应用案例：arXiv论文摘要生成、游戏公司市场研究、AI法律合规报告。相比传统方法，MCP减少了自定义代码需求，提高了工作流可靠性。测试发现Claude Sonnet 4表现最佳，而多数开源模型存在推理循环问题。尽管当前代理技术尚未完全成熟，但MCP生态的快速发展正推动实验性代理向生产级应用迈进。该技术使API组合更灵活，为构建可靠AI系统提供了新途径。

本文介绍了一种基于Elasticsearch和Jina embeddings的无监督文档聚类方法，适用于新闻、法律文件等文本数据的主题发现。该方法采用密度探测的质心分类算法，利用Elasticsearch的kNN搜索实现高效聚类，并通过significant_text自动生成聚类标签。特别设计了时间序列故事链功能，能追踪主题随时间的演变。实验使用8500篇新闻数据，结果显示该方法能有效识别紧密主题簇（71.1%文档被聚类），同时保持合理的噪声率（28.9%）。技术亮点包括：Jina v5专用聚类embedd

ElasticJINA发布第五代多语言嵌入模型jina-embeddings-v5，包含677M参数的small版和239M参数的nano版，在性能与效率边界取得突破。small版支持32K token上下文，nano版支持8K，均配备4个任务专用LoRA适配器。在MTEB等基准测试中，v5-small以sub-1B参数量达到与3.8B模型相当的检索性能，体积缩小5.6倍；v5-nano则以极小参数规模跻身top-11。模型支持多种部署方式，包括ElasticInferenceService、Hugging

本文介绍了如何使用Python应用演示Jina-VLM多语言视觉语言模型。首先需要克隆代码库并配置API密钥，应用通过Streamlit构建交互界面，支持从侧边栏选择图片并进行对话。核心功能包括：1)图片选择与管理；2)聊天记录维护；3)通过API与Jina-VLM交互获取图片问答结果。运行方式为streamlit run app.py，界面分为图片选择区和聊天区，用户可针对所选图片提问并获得AI生成的回答。该演示展示了Jina-VLM在视觉问答任务中的实际应用能力。

本文介绍如何使用JinaEmbeddingsv4模型构建多模态检索增强生成(RAG)系统。系统支持图片和文本的向量化检索，通过Elasticsearch存储向量数据，并集成Gemini-3-Flash多模态LLM生成回答。实现步骤包括：1)下载源码并配置环境变量；2)使用Streamlit构建交互界面；3)通过Jina模型将图片/文本转换为向量；4)实现KNN检索功能；5)整合Gemini-3-Flash进行RAG生成。系统可对"StarWars"等查询返回相关图片和文本，并生成多模态响

Elasticsearch宣布semantic_text字段类型现默认使用Elastic Inference Service上的jina-embeddings-v5-text模型，实现开箱即用的多语言语义搜索。该方案无需额外配置即可自动处理文本分块、向量生成和跨语言查询，支持包括检索、分类等任务。用户只需定义semantic_text字段，即可对多语言文档进行语义检索，查询结果按语义相关性而非语言匹配排序。该服务提供GPU加速推理，免除模型托管和基础设施管理负担，适用于全球数据集搜索和AI应用开发。

本文介绍如何利用Elasticsearch Serverless、Jina Embeddings v5、Elastic Open Web Crawler和Elastic Agent Builder，在一小时内构建"与网站聊天"的功能。通过创建Serverless项目、建立语义索引、使用Crawly抓取网站数据，最后在Kibana中配置Agent实现基于网站内容的智能问答。整个过程无需自定义分块或嵌入管道，最终可获得能引用网页内容回答问题的智能代理。该方案可快速应用于各类网站或文档数据源。

摘要：Elastic与Jina AI合作发布jina-embeddings-v5-text系列多语言嵌入模型，包含small(677M参数)和nano(239M参数)两个版本，支持长文本输入和高效向量生成。该系列通过任务优化的LoRA适配器、嵌入截断和稳健量化技术，在保持高性能的同时显著降低计算成本。模型在MMTEB多语言基准测试中表现优异，并已集成至Elastic Inference Service，支持语义搜索等AI应用场景。用户可通过Elasticsearch直接调用，或在HuggingFace获取本

本文介绍了视觉语言模型(VLM)jina-vlm的功能与应用。该模型结合文本和图像输入，能执行视觉问答、图像描述生成、内容分析等任务，特别擅长处理图表、扫描件等非自然场景图像。文章详细展示了jina-vlm在无障碍服务、内容索引、跨语言处理等方面的应用案例，同时指出其作为小型模型存在的幻觉问题，并提供了优化提示词、指定语言等最佳实践建议。用户可通过API或本地部署使用该模型，Elastic提供免费试用token。

Elastic在EIS上推出jina-reranker-v2和v3多语言重排序模型，支持直接在Elasticsearch中实现高精度检索和RAG工作流。v2作为紧凑型模型支持函数调用和大规模推理，v3则通过listwise重排序提供更优性能。这些模型可与jina-embeddings-v3结合使用，开发者无需管理基础设施即可构建多语言搜索管道。Elastic Cloud试用用户现可体验这些功能。

JinaEmbeddings v4是Jina AI最新发布的38亿参数多模态向量模型，支持文本和图像嵌入。该模型基于Qwen2.5-VL-3B-Instruct主干，采用任务专用LoRA适配器优化检索性能，支持单向量(2048维)和多向量(每个token 128维)输出。在MTEB、MMTEB等基准测试中，v4在多语言检索上比OpenAI text-embedding-3-large高12%，长文档任务提升28%，代码检索比voyage-3高15%。特别擅长处理视觉丰富内容，在ViDoRe基准达90.2分。

JinaAI与Elasticsearch深度整合，推出多款高性能AI模型：jina-embeddings-v4支持30种语言的文本/图像处理，具备单/多向量两种嵌入模式；v3专注于多语言文本嵌入；code-embeddings针对15种编程语言优化；clip-v2实现文本-图像跨模态检索；reranker系列提升搜索结果精度。这些模型支持从64到1536维的可调嵌入尺寸，在保持精度的同时优化存储和检索效率，适用于语义搜索、代码匹配、文档分类等多种场景。用户可通过API免费测试1000万tokens，或下载模

Jina Reader提供两种核心服务：r.jina.ai可将网页/PDF转换为干净文本（Markdown/JSON），s.jina.ai实现结构化网页搜索。通过模拟浏览器渲染确保内容提取准确性，支持curl/wget/Python调用，认证用户享有更高优先级。该服务特别适合为RAG系统和AI代理提供预处理数据，与Elasticsearch等系统无缝集成，解决了从复杂网络内容中提取有效信息的难题。

本文介绍了如何在Elasticsearch中使用JinaReranker v3优化搜索结果。首先注册JinaAI推理API端点，创建包含多语言文本和嵌入向量的索引，并设置自动生成嵌入的管道。通过对比BM25关键词搜索和向量搜索的差异，展示了混合检索方法（RRF）的优势。最后详细说明了如何将JinaReranker作为重排序层加入搜索流程，通过语义相关性分析优化结果排序，显著提升多语言搜索质量。整个过程均在Elasticsearch控制台中完成，无需外部工具。

本教程介绍如何使用Jina AI的jina-embeddings-v3模型构建多语言语义搜索系统。主要内容包括：1)获取Jina API密钥；2)在Elastic Cloud注册模型并验证；3)创建支持1024维向量的索引；4)设置自动处理内容的ingest pipeline；5)添加英语、法语和西班牙语文档；6)使用德语查询演示跨语言搜索功能，通过kNN算法返回最匹配结果。该方案支持多种语言的高效语义检索。

摘要：Elastic推出jina-embeddings-v3多语言嵌入模型，通过Elastic推理服务(EIS)提供高效语义检索。该模型支持32种语言、8192token上下文，具备参数效率高、维度可调等特点，特别适合RAG系统和多语言搜索。EIS提供完全托管的GPU推理服务，无需额外运维。未来将推出更多JinaAI模型，包括重排序器v2/v3，进一步优化检索精度。所有ElasticCloud试用用户均可访问该服务。

ElasticJINA发布了jina-code-embeddings代码嵌入模型套件，包含0.5B和1.5B两种参数规模的版本，支持1-4bit量化。该模型基于代码生成LLM构建，在25个基准测试中平均性能达78.41%-79.04%，超越同类模型。支持15种编程语言和5种检索任务，采用last-token pooling策略，并引入Matryoshka嵌入技术实现维度灵活截断。模型通过指令前缀实现多任务适配，训练效率高，验证了小模型通过正确架构也能实现先进性能的理念。

Jina AI发布全新jina-reranker-v3重排模型，采用创新的"最后但不迟"交互方式。这款0.6B参数的listwise重排器在多语言检索基准测试中表现优异，在BEIR上达到61.94 nDCG@10，性能超越4B参数的Qwen3-Reranker，同时模型体积缩小6倍。该模型基于Qwen3-0.6B架构，通过单次前向传递实现查询与候选文档的跨文档交互，特别设计的提示模板和特殊标记token确保了高效的语义提取。实验显示模型对输入顺序变化具有鲁棒性，能稳定保持最相关文档的排名

本文介绍了如何使用Elastic Cloud Serverless构建一个低成本的多语言语义搜索系统，帮助用户在假期购物时快速找到所需水果。通过semantic_text字段类型和内置的Jina多语言密集向量模型，系统可以自动识别不同语言（如英语、法语、德语、西班牙语）的商品名称。文章演示了如何创建商品索引并实现跨语言搜索（如用波兰语"owoce"搜索水果），展示了Elasticsearch在语义搜索方面的改进，包括无需安装模型、自动处理多语言等优势。最后指出这种方案比传统方法更简单高效

CLIP（- 对比语言 - 图像预训练）是由 OpenAI 创建的神经网络，使用图像和文本对进行训练，以解决在文本和图像之间寻找相似性的任务，并对 “零样本” 图像进行分类，因此模型不是使用固定标签进行训练的，而是我们为模型提供未知类别，以便它可以对我们提供的图像进行分类。实现图像搜索如何实现图像相似性搜索然而，随着时间的推移，出现了更多的替代方案。在本文中，我们将使用房地产示例介绍 CLIP 的两种替代方案的优缺点。

​探索如何使用 Elasticsearch Open Inference API 访问 Jina AI 模型。我们在 Jina AI 的朋友们将 Jina AI 的嵌入模型和重新排名产品的原生集成添加到 Elasticsearch 开放推理 API 中。这包括对行业领先的多语言文本嵌入和多语言重新排名的支持 —— 针对检索、聚类和分类进行了优化。此次集成为开发者提供了一套基于 Elasticsearch 向量数据库和 Jina AI 的高性能、高性价比的AI信息检索和语义应用工具包。

在 Elasticsearch 中使用 Jina Embeddings v2 模型并探索长上下文嵌入模型的优缺点。在本文中，我们将配置和使用，这是第一个开源 8K 上下文长度嵌入模型，首先使用进行 OOTB 实现，然后实现 Late Chunking。

Elastic与Jina合作推出的多模态AI模型为Elasticsearch提供了强大的语义搜索能力。该系列模型包含三大类：1）语义嵌入模型（如jina-embeddings-v4），支持文本/图像的多模态嵌入；2）重排序模型（如jina-reranker-v3），提升搜索结果精度；3）小型生成语言模型（如jina-vlm），用于特定任务处理。这些模型采用创新技术如Matryoshka表示学习和LoRA适配器，在保持高性能的同时降低资源消耗。通过Elastic Inference Service，用户可原生

摘要：Elastic宣布与JinaAI合作，将后者的多模态embedding、reranker和小型语言模型技术整合进Elastic搜索平台。JinaAI的前CEO表示，此次合作能将其搜索基础模型与Elastic的规模优势结合，为用户提供更优质的AI搜索体验。这些模型将继续在HuggingFace免费提供，并通过Elastic Cloud的推理服务实现原生集成。文章强调，任何功能发布均由Elastic自主决定，并对第三方AI工具的使用风险作出免责声明。（149字）

Jina-VLM是一款2.4B参数的视觉语言模型，在多语言视觉问答(VQA)任务中达到SOTA水平。该模型创新性地采用attention-pooling连接器，将视觉tokens减少4倍，同时保持性能，使其可在消费级硬件运行。通过两阶段训练流程，模型在29种语言中表现出色，并避免了纯文本能力的灾难性遗忘。目前支持通过API、CLI和Transformers库使用，但存在tiling开销和多图像推理的局限性。