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