Jina AI API : avis et comparatif

Qu’est-ce que Jina AI, et à quoi ça sert

Jina AI (jina.ai) ne fait pas de complétion de conversation, et elle ne cherche pas à concurrencer OpenAI sur ce terrain principal. Elle se concentre au contraire en profondeur sur le trio de la « couche de récupération », le plus critique — et le plus souvent négligé — de l’ingénierie RAG : les embeddings, le reranking et l’extraction web (Reader).

Si vous construisez une application RAG, un système de recherche sémantique, ou avez besoin de convertir des pages web en texte structuré en temps réel pour les transmettre à un grand modèle, Jina AI mérite une évaluation sérieuse.

Modèles actuellement disponibles

Modèle	Type	Longueur de contexte	Notes
jina-embeddings-v4	Embedding	32K tokens	3,8 Md de paramètres, prend en charge le multimodal texte + image + PDF
jina-embeddings-v5-text	Embedding	32K tokens	Deux tailles — 677M (small) / 239M (nano) — avec LoRA spécifique à la tâche
jina-embeddings-v3	Embedding	8K tokens	89 langues, performance stable sur le classement multilingue MTEB
jina-reranker-v3	Reranking	131K tokens	BEIR nDCG@10=61,94, plus de 100 langues
jina-reranker-v2-base-multilingual	Reranking	1K tokens (découpé automatiquement)	Une option économique, multilingue
jina-reader	Extraction de contenu	—	URL → Markdown/JSON, prend en charge le PDF

Crédit gratuit et limites de débit

Les nouveaux utilisateurs reçoivent 10M tokens de crédit gratuit à l’inscription, sans carte bancaire requise. Les trois produits (Embeddings/Reranker/Reader) puisent dans le même pool de crédit.

Palier	RPM	TPM (embeddings)
Clé API gratuite	100	100K
Payant	500	2M
Premium (entreprise)	5 000	50M

Le palier gratuit de l’API Reader autorise 500 RPM, plus généreux que l’API d’embeddings — bien adapté aux scénarios d’exploration en masse.

Jina Embeddings : le saut de v3 à v4

v3 est actuellement la version la plus stable, prête pour la production (contexte 8K, 89 langues), mais v4 fait un bond qualitatif sur le plan multimodal :

• v4 prend en charge l’embedding conjoint image + texte + PDF — donnez une photo de produit et un texte descriptif, et vous obtenez deux vecteurs dans le même espace vectoriel, permettant une recherche sémantique cross-modale
• La règle de facturation par token d’image de v4 : chaque tuile de 28×28 pixels compte pour 10 tokens, donc les grandes images peuvent consommer du crédit rapidement

import requests

# Embedding de texte (v3, stable en production)
response = requests.post(
    "https://api.jina.ai/v1/embeddings",
    headers={"Authorization": "Bearer votre clé Jina AI"},
    json={
        "model": "jina-embeddings-v3",
        "input": [
            "Comment configurer un relais d'API pour Claude Code",
            "Bonnes pratiques pour la récupération vectorielle dans les applications RAG"
        ],
        "task": "retrieval.passage"   # options : retrieval.query / classification / text-matching
    }
)
embeddings = response.json()["data"]

Le paramètre task de v3 est une option facile à manquer mais réellement utile — pour les scénarios de récupération, encoder séparément avec retrieval.passage (côté stockage) et retrieval.query (côté requête) fonctionne mieux que d’utiliser le paramètre par défaut pour les deux.

Jina Reranker : à quel point le reranking aide-t-il réellement

La récupération grossière (recherche vectorielle ANN) rappelle les 20 meilleurs résultats, et après reranking vous prenez les 3 premiers pour les transmettre au grand modèle — cette étape a généralement un ROI élevé : le coût de calcul est faible (le reranking ne porte que sur quelques dizaines de candidats), mais l’amélioration de la qualité de la réponse finale est significative.

Jina Reranker v3 obtient un score nDCG@10=61,94 sur le benchmark BEIR (état de l’art), avec une fenêtre de contexte de 131K tokens (requête plus tous les documents candidats combinés) — ce qui signifie qu’il peut reranker une très longue liste de documents en une seule passe.

response = requests.post(
    "https://api.jina.ai/v1/rerank",
    headers={"Authorization": "Bearer votre clé Jina AI"},
    json={
        "model": "jina-reranker-v3",
        "query": "Que faire face à la limitation de débit de l'API DeepSeek aux heures de pointe",
        "documents": retrieved_docs,   # une liste de chaînes ou d'objets {"text": "..."}
        "top_n": 3
    }
)
top_docs = [r["document"]["text"] for r in response.json()["results"]]

Pour un budget plus serré, vous pouvez utiliser jina-reranker-v2-base-multilingual — précision légèrement inférieure mais coût plus bas, bien adapté aux bases de connaissances mixtes chinois/anglais.

Reader : transformer n’importe quelle URL en texte propre

Reader est le produit le plus distinctif de Jina AI. Aucun autre service d’embedding n’offre cela : donnez une URL et récupérez du Markdown/JSON propre, sans avoir à construire votre propre crawler.

Formats pris en charge : HTML de page web, PDF (support natif), images (décrites automatiquement via un modèle vision-langage)

# Usage basique : URL → Markdown
response = requests.get(
    "https://r.jina.ai/https://www.example.com/article",
    headers={
        "Authorization": "Bearer votre clé Jina AI",
        "X-Return-Format": "markdown"   # ou "json" / "text"
    }
)
clean_text = response.text

# Extraction structurée (schéma JSON)
response = requests.post(
    "https://r.jina.ai/",
    headers={"Authorization": "Bearer votre clé Jina AI"},
    json={
        "url": "https://www.example.com/product",
        "jsonSchema": {
            "title": "string",
            "price": "number",
            "description": "string"
        }
    }
)
structured = response.json()

Combiné à l’API d’embeddings, vous pouvez rapidement construire un pipeline « RAG de contenu web en temps réel » : Reader explore → Embeddings vectorise → stocké dans une base vectorielle → récupération + reranking → le grand modèle génère. L’ensemble du pipeline ne nécessite aucune infrastructure de crawler à maintenir.

Comparaison directe

	Jina AI	OpenAI text-embedding-3-large	Cohere Embed v3
Crédit gratuit	10M tokens	Aucun	Aucun
Multimodal (image)	✓ (v4)	✗	✗
Reranker intégré	✓	✗	✓
Reader web intégré	✓	✗	✗
Contexte max (embeddings)	32K (v4/v5)	8K	512 tokens
Support multilingue	89-100 langues	Multilingue	Plus de 100 langues
Connexion directe en Chine continentale	✗, proxy nécessaire	✗, proxy nécessaire	✗, proxy nécessaire

En résumé : si tout ce dont vous avez besoin, c’est l’embedding de texte, OpenAI comme Cohere sont des choix matures ; mais si vous avez besoin d’embeddings, de reranking et d’extraction web regroupés ensemble, Jina AI est actuellement l’un des rares services à empaqueter les trois, et ses 10M de crédit gratuit vous permettent d’essayer avant d’acheter.

Comment les utilisateurs domestiques peuvent accéder à l’API Jina AI

Les points de terminaison de l’API Jina AI (api.jina.ai, r.jina.ai) nécessitent un proxy pour être accessibles depuis la Chine continentale. Deux approches courantes :

Option 1 : transmission par proxy local Configurez un proxy HTTP en local avec un outil comme Clash ou V2Ray, et précisez le paramètre proxies dans votre code :

proxies = {"https": "http://127.0.0.1:7890"}
response = requests.post(
    "https://api.jina.ai/v1/embeddings",
    headers={"Authorization": "Bearer VOTRE_CLE"},
    json={...},
    proxies=proxies
)

Option 2 : via un relais d’API IA Certains relais d’API IA (comme Chutes, en anglais) ont déjà intégré le point de terminaison d’embedding de Jina AI, vous permettant de l’appeler via une adresse à connexion directe en Chine continentale, dans un format compatible SDK OpenAI :

from openai import OpenAI

client = OpenAI(
    api_key="clé du relais",
    base_url="https://adresse-du-relais/v1"
)
response = client.embeddings.create(
    model="jina-embeddings-v3",
    input=["votre texte"]
)

L’approche par relais évite la configuration de proxy locale et convient bien aux environnements de production ou au travail d’équipe.

Intégration avec LangChain

from langchain_community.embeddings import JinaEmbeddings
from langchain_community.vectorstores import Chroma

embeddings = JinaEmbeddings(
    jina_api_key="votre clé Jina AI",
    model_name="jina-embeddings-v3"
)

# À utiliser directement avec une base vectorielle
vectorstore = Chroma.from_texts(
    texts=documents,
    embedding=embeddings
)
retriever = vectorstore.as_retriever(search_kwargs={"k": 20})

Une chaîne RAG complète

Une architecture RAG typique avec Jina AI :

1. Collecte de contenu : Jina Reader explore les pages web/PDF → texte Markdown
2. Vectorisation : Jina Embeddings v3/v4 → stocké dans une base vectorielle (Pinecone/Weaviate/Chroma)
3. Récupération : recherche vectorielle ANN → documents candidats (top 20)
4. Reranking : Jina Reranker v3 → les 3 plus pertinents
5. Génération : Claude Fable 5 / GPT-5.5 → la réponse finale

Jina AI couvre les étapes 1 à 4 du pipeline. Côté génération, vous pouvez l’associer au Prompt Caching d’AiHubMix (en anglais) pour réduire le coût du contexte long, ou utiliser la capacité de routage de Portkey pour un repli multi-modèles.

Où Jina AI trouve sa place : bases de connaissances internes d’entreprise, questions-réponses en temps réel sur du contenu web, recherche sémantique multilingue, recherche cross-modale image-texte.

Où elle ne convient pas : génération de texte pure (Jina AI n’offre pas de LLM) ; recherche sémantique simple extrêmement sensible au budget qui n’a pas besoin de reranking (OpenAI Embeddings associé à pgvector suffit).

Informations vérifiées le 2026-07-04. L’offre de fonctionnalités de Jina AI continue de s’étendre — se référer à la documentation officielle sur jina.ai pour les dernières informations.

Avis similaires

• Sub2API (en anglais) : un relais par mutualisation d’abonnement, partageant la puissance de calcul Claude Max à bas coût via un pool d’achat groupé
• Chutes (en anglais) : routage multi-modèles à faible latence à l’échelle mondiale, adapté aux tests A/B, tarification compétitive
• GPTAPI.US (en anglais) : un relais bi-régional Chine-États-Unis, paiement double devise PayPal + Alipay, connexion directe stable à GPT/Claude/Gemini
• No.1-API (en anglais) : un relais d’agrégation de modèles tout-en-un avec une interface bien documentée, un point d’entrée unifié pour Claude/GPT/Gemini/DeepSeek