Jina AI propose des modèles d'embeddings de texte et des rerankers disponibles à la fois via une API payante et sous forme de poids sur Hugging Face. Les poids ont l'air ouverts, pourtant presque toute la famille actuelle porte une étiquette cc-by-nc-4.0, une licence qui interdit l'usage commercial. C'est la première chose à vérifier avant que quelqu'un dans l'équipe ne prévoie de faire tourner ces modèles sur son propre matériel.
Ce que Jina AI vend réellement aujourd'hui
La liste publique des modèles à api.jina.ai/v1/models renvoie 29 entrées et c'est le meilleur aperçu de l'offre, car la page marketing ne s'affiche pas sans JavaScript. La liste contient quatre groupes.
Le premier est celui des modèles d'embeddings de texte : jina-embeddings-v5-text-small et jina-embeddings-v5-text-nano, les plus anciens jina-embeddings-v4 et jina-embeddings-v3, toute la famille jina-embeddings-v2-base-* en variantes anglaise, allemande, espagnole, chinoise et code, ainsi que jina-code-embeddings-0.5b et jina-code-embeddings-1.5b à part. Le deuxième est celui des rerankers : jina-reranker-v3.5, jina-reranker-v3, jina-reranker-m0 qui accepte une image en plus du texte, jina-reranker-v2-base-multilingual et trois anciennes variantes v1. Le troisième est celui des modèles multimodaux : jina-clip-v2, jina-embeddings-v5-omni-small et jina-embeddings-v5-omni-nano qui acceptent texte, image, vidéo et audio, ainsi que jina-vlm. Le quatrième couvre la conversion de HTML en markdown : ReaderLM-v2, reader-lm-0.5b et reader-lm-1.5b.
Les fenêtres de contexte diffèrent fortement, ce qui surprend en général les gens qui migrent d'une version à l'autre. jina-embeddings-v3 prend 8192 tokens, jina-embeddings-v4 et jina-embeddings-v5-text-small en prennent 32768 chacun, et jina-embeddings-v5-text-nano revient à 8192. Les rerankers en ont le plus : jina-reranker-v3 déclare 134144 tokens et jina-reranker-v3.5 en déclare 131072. L'ancien jina-reranker-v2-base-multilingual n'en a que 1024, ce qui, pour un chunk de documentation typique, signifie une troncature à mi-chemin. ReaderLM-v2 déclare 524288 tokens, car son rôle est d'avaler une page brute entière.
S'y ajoutent deux services sans modèle dans leur nom : le lecteur de pages à r.jina.ai et le point d'accès de recherche à s.jina.ai.
La licence des poids, le cœur du sujet
J'ai vérifié les métadonnées de Hugging Face via l'API publique et le résultat est sans ambiguïté. L'étiquette license:cc-by-nc-4.0 est portée par jina-embeddings-v3, jina-embeddings-v5-text-small, jina-embeddings-v5-text-nano, jina-embeddings-v5-omni-small, jina-reranker-v3, jina-reranker-v3.5, jina-reranker-v2-base-multilingual, jina-clip-v2, jina-colbert-v2, jina-code-embeddings-1.5b, jina-vlm, ReaderLM-v2 et reader-lm-1.5b. La licence Creative Commons Attribution NonCommercial 4.0 interdit d'utiliser l'œuvre d'une manière principalement destinée à un avantage commercial. Une recherche en production à l'intérieur d'un produit payant tombe en plein dans cette interdiction.
L'exception est la deuxième génération de 2023. jina-embeddings-v2-base-en et jina-embeddings-v2-small-en portent l'étiquette license:apache-2.0. Ce sont les modèles les plus anciens et les plus faibles de la famille, mais les seuls que vous pouvez faire tourner vous-même dans un produit qui génère du revenu sans demander à personne.
Un cas à part est jina-embeddings-v4. Les métadonnées de Hugging Face n'ont aucune étiquette de licence, donc un scanner de dépendances voit un champ vide et ne dit en général rien. Le dépôt contient pourtant un fichier LICENSE avec un texte intitulé "Qwen RESEARCH LICENSE AGREEMENT" daté du 19 septembre 2024, émis par Alibaba Cloud. La clause 2a accorde des droits "FOR NON-COMMERCIAL PURPOSES ONLY" et la clause 1i définit "Non-Commercial" comme un usage de recherche ou d'évaluation uniquement. Le modèle a été construit sur Qwen2.5-VL, il a donc hérité de la licence du modèle de base. Une étiquette manquante est ici pire qu'une étiquette qui interdit le commerce, car elle endort l'attention.
Il y a un second aspect de la même incohérence. La plupart des modèles étiquetés cc-by-nc-4.0 n'ont aucun fichier de licence dans le dépôt. J'ai listé le contenu des dépôts jina-embeddings-v3 et jina-reranker-v3 : les poids, le tokenizer, la configuration et le README y sont, mais pas de fichier LICENSE. La licence n'existe que comme champ dans l'en-tête de la fiche du modèle. Si quelqu'un récupère les poids avec un script et archive le répertoire, aucune trace de la restriction ne survit dans l'archive.
Il vaut la peine de vérifier cela soi-même avant chaque mise à niveau de modèle, car le champ peut changer entre deux versions.
# licence tag from metadata, license field from the model card, and licence files in the repo
for m in jinaai/jina-embeddings-v5-text-small \
jinaai/jina-embeddings-v4 \
jinaai/jina-embeddings-v3 \
jinaai/jina-embeddings-v2-base-en \
jinaai/jina-reranker-v3.5; do
echo "== $m"
curl -s "https://huggingface.co/api/models/$m" \
| jq -r '[
(.tags[] | select(startswith("license"))) // "NO-TAG",
(.cardData.license // "no-field"),
([.siblings[].rfilename | select(test("LICEN";"i"))] | join(",") // "no-file")
] | @tsv'
doneLa conclusion pratique est simple. Les poids de Jina AI conviennent pour comparer la qualité dans un notebook, pour un travail de recherche et pour un prototype que personne ne vend. Pour un produit qui génère du revenu, il vous reste l'API payante ou le modèle de base d'un autre fournisseur. L'entreprise vend bien des licences commerciales via un formulaire de contact, mais le prix d'une telle licence n'est pas public, donc on ne peut pas le citer ici.
Le paquet jina est un ancien framework, pas un SDK
Quiconque cherche une bibliothèque cliente tombe le plus souvent sur le paquet PyPI nommé jina, et c'est une impasse. La version la plus récente de ce paquet est la 3.34.0, mise en ligne le 24 mars 2025, soit plus d'un an sans nouvelle version. La description du registre dit "Multimodal AI services and pipelines with cloud-native stack: gRPC, Kubernetes, Docker, OpenTelemetry, Prometheus, Jaeger", ce qui n'a rien à voir avec l'appel d'un modèle d'embeddings. C'est un framework pour construire des services multimodaux distribués, un produit d'une étape antérieure de la vie de l'entreprise.
L'adresse du champ home_page pointe vers github.com/jina-ai/jina, qui redirige vers github.com/jina-ai/serve. Le dépôt a été renommé, et le flux des versions confirme que le dernier tag est v3.34.0 du 24 mars 2025. Le champ license du registre PyPI indique "Apache 2.0" et concorde avec le fichier LICENSE du dépôt : le texte complet d'Apache 2.0 sur 193 lignes, précédé de l'en-tête "Copyright 2020-2021 Jina AI Limited". Ici, trois sources disent la même chose.
Côté npm, c'est pire. Le paquet nommé jina dans le registre npm ne vient pas de cette entreprise : il appartient au compte alismithy, est en version 1.0.22 et porte une licence ISC. L'installer ne donne accès à aucun modèle. Le client JavaScript officiel s'appelle jinaai, est en version 0.2.20 publiée le 25 janvier 2024, porte une licence Apache-2.0 et a une seule dépendance, tslib dans la plage ^2.5.3. Le dépôt jina-ai/jinaai-js existe et contient un fichier LICENSE avec le texte d'Apache 2.0. Deux ans et demi sans version signifient que le paquet ne sait rien des modèles v4 ou v5.
Côté Python, il n'existe aujourd'hui aucun client officiel. Les noms jina-ai, jina-embeddings et jina-reranker renvoient tous une 404 sur PyPI.
Comment intégrer aujourd'hui
Sans paquet disponible, il reste le HTTP brut, et c'est la réponse à la question du SDK. Ce n'est ni un contournement ni un pis-aller, c'est le chemin principal d'aujourd'hui. Les deux endpoints exigent un en-tête Authorization et renvoient 401 avec le corps AUTH_MISSING_API_KEY sans lui.
# embeddings: model, input, task, plus optional embedding_type and normalized
curl -s https://api.jina.ai/v1/embeddings \
-H "Authorization: Bearer $JINA_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jina-embeddings-v3",
"task": "retrieval.passage",
"embedding_type": "float",
"normalized": true,
"input": [
"A reranker reorders the results returned by a search engine.",
"Embeddings turn text into a vector of floating point numbers."
]
}'Le champ task accepte l'une de cinq valeurs et ce ne sont pas des noms inventés par la documentation. Le fichier config.json de jina-embeddings-v3 les liste dans le champ lora_adaptations : retrieval.query, retrieval.passage, separation, classification et text-matching. Chacune correspond à un adaptateur LoRA distinct attaché à un cœur commun de 24 couches avec une taille cachée de 1024. La requête et le document doivent être encodés avec des valeurs différentes, retrieval.query pour la première et retrieval.passage pour le second, sinon tout le bénéfice du montage est perdu. Le même fichier de configuration liste les troncatures de vecteur autorisées dans le champ matryoshka_dimensions : 32, 64, 128, 256, 512, 768 et 1024.
Le reranking vit à une adresse séparée et accepte un autre jeu de champs.
# reranking: model, query, documents, top_n, return_documents
curl -s https://api.jina.ai/v1/rerank \
-H "Authorization: Bearer $JINA_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jina-reranker-v3",
"query": "how to shorten an embedding vector",
"top_n": 3,
"return_documents": false,
"documents": [
"Matryoshka lets you truncate the vector to 256 dimensions.",
"A Docker container is built with the docker build command.",
"A LoRA adapter changes model behaviour without touching core weights."
]
}'Mettre return_documents à false réduit la réponse aux seuls indices et scores, ce qui fait une différence visible sur la taille de la charge à cinquante candidats. Le champ top_n coupe la liste côté serveur mais ne change pas la facturation, car chaque token que vous envoyez est compté.
Faire tourner les poids en local, si la licence le permet, ressemble à ceci. L'exemple ci-dessous utilise des paramètres documentés dans la fiche du modèle jina-embeddings-v3.
from sentence_transformers import SentenceTransformer
# trust_remote_code is required because the repo ships its own custom_st.py module
model = SentenceTransformer("jinaai/jina-embeddings-v3", trust_remote_code=True)
# task picks the LoRA adapter, truncate_dim shortens the vector per matryoshka_dimensions
passages = model.encode(
["Embeddings turn text into a vector of numbers."],
task="retrieval.passage",
truncate_dim=256,
)
query = model.encode(["what are embeddings"], task="retrieval.query", truncate_dim=256)
print(passages.shape, query.shape)Les vecteurs de ce modèle atterrissent ensuite dans une base vectorielle, par exemple Qdrant ou pgvector si les données sont déjà dans PostgreSQL. La dimension tronquée doit être choisie avant la création de la collection, car changer la dimension impose de recalculer tout le jeu.
Reader, une page transformée en markdown
Le lecteur à r.jina.ai est la partie la plus accessible de l'offre, car il fonctionne sans clé. Je l'ai vérifié par un appel direct : l'adresse https://r.jina.ai/https://example.com renvoie 200 et du markdown prêt à être confié à un modèle de langage. Le point d'accès de recherche à s.jina.ai exige bien une clé et renvoie 401 avec le nom d'erreur AuthenticationRequiredError sans elle.
Le comportement du lecteur est piloté par des en-têtes. Les noms ci-dessous sont lus dans le panneau client, pas de mémoire.
# markdown with a links summary, bypassing the cache, cutting out page elements
curl -s "https://r.jina.ai/https://example.com" \
-H "X-Respond-With: markdown" \
-H "X-With-Links-Summary: true" \
-H "X-Target-Selector: main" \
-H "X-Remove-Selector: nav, footer" \
-H "X-No-Cache: true" \
-H "X-Token-Budget: 4000" \
-H "X-Timeout: 20"
# the same content as JSON instead of plain text
curl -s "https://r.jina.ai/https://example.com" -H "Accept: application/json"La réponse JSON a une forme fixe et un champ data.usage.tokens avec le nombre de tokens, à consigner dès le premier jour.
{
"code": 200,
"status": 20000,
"data": {
"title": "Example Domain",
"url": "https://example.com/",
"content": "This domain is for use in documentation examples...",
"publishedTime": "Tue, 18 Aug 2026 20:06:42 GMT",
"warning": "This is a cached snapshot of the original page, consider retry with caching opt-out.",
"httpStatus": 200,
"usage": { "tokens": 29 }
}
}Le champ warning de cette réponse compte. Par défaut, le lecteur renvoie une copie stockée de la page plutôt qu'une récupération fraîche. La date de publishedTime dans mon test avait quatre jours de plus que le jour de l'appel. Pour collecter du contenu qui change souvent, il faut X-No-Cache ou X-Cache-Tolerance avec un nombre de secondes. L'ensemble des en-têtes couvre aussi X-Wait-For-Selector pour les pages rendues par le navigateur, X-Proxy-Url pour votre propre proxy, X-Locale et X-Set-Cookie pour le contenu derrière une connexion, ainsi qu'un groupe séparé de X-Md-Heading-Style, X-Md-Link-Style, X-Md-Bullet-List-Marker, X-Md-Em-Delimiter et X-Md-Hr qui contrôlent le formatage de la sortie.
Si la tâche consiste à parcourir un site entier plutôt qu'une seule adresse, le lecteur de Jina n'a ni ordonnanceur ni file d'attente, et Firecrawl est le meilleur choix. Jina s'en sort bien quand la liste des adresses est déjà connue.
Tarifs et facture pour un million de tokens
Un problème de vérification apparaît ici et doit être nommé directement. La page publique des prix est une application monopage et le HTML brut ne contient aucun montant. Le seul chiffre qu'on peut en extraire est un réglage de recharge automatique décrit comme "Top up when < 1M Tokens", qui est un seuil de recharge, pas la taille du forfait gratuit. Je n'ai pas confirmé la taille du forfait gratuit ni ce qui se passe quand il est épuisé, et je ne vais pas deviner.
Les prix unitaires, en revanche, sont disponibles sous forme lisible par une machine. La liste /v1/models renvoie un objet pricing pour chaque modèle avec un champ prompt à l'intérieur. Pour 27 des 29 modèles, y compris tous les embeddings v3, v4 et v5-small et tous les rerankers, la valeur est 0.00000005. Pour jina-embeddings-v5-text-nano et jina-embeddings-v5-omni-nano, c'est 0.00000002. Le champ completion est nul dans tous les cas, donc seuls les tokens d'entrée sont facturés. Ce chiffre provient d'une seule source, l'API elle-même, et je n'ai aucun second chiffre public pour le recouper.
Converti en un million de tokens : 1 000 000 fois 0,00000005 donne 0,05 dollar. Indexer un million de tokens de texte coûte cinq centimes, ou deux centimes avec un modèle nano. Un million de tokens, c'est à peu près sept cent mille mots, soit environ dix livres de taille moyenne ou un ensemble considérable de documentation produit.
Le reranking est facturé au même tarif mais se comporte tout autrement, car l'indexation se fait une fois alors que le reranking se fait à chaque requête. Avec cinquante candidats de cinq cents tokens chacun, une seule requête consomme 25 000 tokens, soit 0,00125 dollar. Mille requêtes par jour font 1,25 dollar par jour et environ 37,50 dollars sur un mois de trente jours. La facture de reranking dépasse celle de l'indexation pour un trafic assez modeste, et c'est le bon axe pour planifier les coûts, pas le prix d'indexation du corpus.
Jina AI face aux autres familles d'embeddings
Toutes les familles de cette comparaison transforment du texte en vecteur, et les différences de qualité entre elles sont aujourd'hui petites et évoluent vite. La différence durable se trouve ailleurs : dans la possibilité d'échapper à la facture au token en faisant tourner le modèle vous-même.
| Famille | Poids publiés | Licence des poids | Auto-hébergement commercial | API du fournisseur |
|---|---|---|---|---|
| Jina v5, v4, v3 | oui | cc-by-nc-4.0, Qwen Research pour v4 | non | oui |
| Jina v2 de 2023 | oui | Apache 2.0 | oui | oui |
| BGE de BAAI | oui | MIT | oui | aucune propre |
| all-MiniLM et apparentés | oui | Apache 2.0 | oui | aucune propre |
| Voyage AI | non | pas de poids | sans objet | oui |
| Cohere Embed | non | pas de poids | sans objet | oui |
| OpenAI Embeddings | non | pas de poids | sans objet | oui |
J'ai vérifié les étiquettes de licence de trois modèles de comparaison : BAAI/bge-m3 et BAAI/bge-large-en-v1.5 portent license:mit, et sentence-transformers/all-MiniLM-L6-v2 porte license:apache-2.0. Les familles traitées dans les articles sur BGE et Sentence Transformers sont donc les seules ici qui offrent à la fois des poids publics et une licence qui vous permet de vendre un produit.
Voyage AI, Cohere Embed et OpenAI Embeddings ne publient aucun poids pour leurs modèles actuels. Leur position est au moins honnête : vous payez au token et vous le savez dès le départ, sans l'illusion de pouvoir un jour déplacer cela sur votre propre matériel. Jina occupe la place du milieu, la plus trompeuse, car les poids se téléchargent d'une seule commande alors que seul un prototype peut légalement être construit dessus.
Le risque de dépendance au fournisseur est le même avec n'importe quelle API payante et ne dépend pas du nombre de champs de la requête. Migrer signifie recalculer tout le corpus avec un autre modèle, car les vecteurs de deux modèles différents ne sont pas comparables. Le coût de la migration est le coût de la réindexation, donc cinq centimes par million de tokens sont à la fois le prix d'entrée et le prix de sortie.
Erreurs courantes
Installer le paquet jina depuis npm en espérant un client d'API. Ce paquet ne vient pas de Jina AI, il a un autre auteur et une licence ISC. Le client JavaScript officiel s'appelle jinaai et n'a pas de nouvelle version depuis janvier 2024.
Installer le paquet jina depuis PyPI dans le même but. C'est un framework pour services multimodaux, publié pour la dernière fois en mars 2025, dont le dépôt a été renommé jina-ai/serve. Il n'appelle pas de modèles d'embeddings.
Supposer qu'une étiquette de licence manquante sur jina-embeddings-v4 signifie l'absence de restrictions. Le dépôt contient un fichier LICENSE avec le texte de la Qwen Research License, qui n'autorise que l'usage de recherche et d'évaluation.
Encoder la requête et le document avec la même valeur de task. Le modèle a cinq adaptateurs LoRA distincts et les confondre annule le bénéfice de l'encodage asymétrique.
Compter sur le comportement par défaut du lecteur pour du contenu volatil. Sans X-No-Cache ou X-Cache-Tolerance, vous obtenez une copie stockée, ce que le champ warning de la réponse JSON annonce.
Établir un budget sur le seul coût d'indexation. Le reranking est facturé au même tarif par token mais se répète à chaque requête, et c'est lui qui fait monter la facture.
Changer truncate_dim après la création de la collection dans la base vectorielle. La dimension du vecteur fait partie du schéma et la changer impose un recalcul complet.
FAQ
Puis-je utiliser les poids de Jina AI dans un produit payant ?
Pour les modèles actuels, non. Les générations v3, v4 et v5 ainsi que tous les rerankers autres que les variantes v1 portent une licence non commerciale, v4 relevant en plus de la licence Qwen Research plutôt que de Creative Commons. Commercialement, vous pouvez utiliser les poids jina-embeddings-v2-base-en et jina-embeddings-v2-small-en sous Apache 2.0, ou acheter l'accès à l'API.
Existe-t-il un paquet SDK officiel ?
Pour Python, il n'y en a aucun, les noms jina-ai, jina-embeddings et jina-reranker renvoient tous une 404 sur PyPI. Pour JavaScript, il y a jinaai en version 0.2.20 du 25 janvier 2024, qui ne sait rien des modèles v4 ou v5. Le chemin d'aujourd'hui, ce sont des appels HTTP bruts à api.jina.ai/v1/embeddings et api.jina.ai/v1/rerank.
Combien coûte l'indexation d'un million de tokens ?
Cinq centimes au tarif de 0.00000005 par token que la liste /v1/models renvoie pour les embeddings v3, v4 et v5-small. Deux centimes avec jina-embeddings-v5-text-nano. Je n'ai pas confirmé la taille du forfait gratuit, car la page des prix ne s'affiche pas sans JavaScript.
Le lecteur de pages fonctionne-t-il sans clé d'API ?
Oui, r.jina.ai renvoie du contenu sans en-tête Authorization, ce que j'ai vérifié directement. Le point d'accès de recherche s.jina.ai exige bien une clé et renvoie 401 sans elle. Le lecteur renvoie par défaut une copie stockée de la page et le signale dans le champ warning.
En quoi un reranker diffère-t-il d'un modèle d'embeddings ?
Un modèle d'embeddings encode chaque texte séparément, donc les vecteurs peuvent être calculés une fois et conservés dans une base. Un reranker examine ensemble la paire requête et document, donne un meilleur classement, mais ne peut pas être précalculé. En pratique, on combine les deux : les embeddings choisissent quelques dizaines de candidats et le reranker les réordonne.
Qu'est devenu le paquet jina et le dépôt jina-ai/jina ?
Le dépôt a été renommé jina-ai/serve et l'ancienne adresse redirige vers la nouvelle. Le paquet PyPI jina est en version 3.34.0 du 24 mars 2025. C'est un produit distinct, un framework pour services multimodaux, pas un client pour les modèles d'embeddings d'aujourd'hui.