跳到正文

jina-clip-v2

面向图像与文本的多语言嵌入

访问官网

jina-clip-v2 是什么

jina-clip-v2 被介绍为由 Jina AI 开发的多语言多模态嵌入模型,通过联合训练把图像和文本表示对齐。

你可以用它做什么

  • 跨 89 种语言检索图像
  • 编码文本与 512x512 图像
  • 在 64 到 1024 之间选择输出维度

上手流程

  • 安装 transformers、einops、timm、pillow 等库
  • 用 AutoModel.from_pretrained 加载模型
  • 对数据调用 encode_text 与 encode_image

优点与缺点

✓ 我们认可的地方

  • 文本与视觉编码器联合训练
  • 资料列出可通过 API 与云平台商用

! 需要留意的地方

  • 输出维度需从 64 到 1024 中选取
  • 编码需按文档调用相应方法

常见问题

支持多少种语言?

资料说明模型支持 89 种语言的多语言图像检索。

列出哪些编码器?

资料列出 Jina-XLM-RoBERTa 文本编码器与 EVA02-L14 视觉编码器。

最后评测: 2026-11-15

更多 AI 搜索引擎 工具

查看全部 →

评测方法