jina-clip-v2 ist ein von Jina AI entwickeltes mehrsprachiges, multimodales Einbettungsmodell, das die Bildsuche in 89 Sprachen unterstützt. Es verarbeitet Bilder mit einer Auflösung von 512x512 Pixel und bietet Ausgaben in verschiedenen Dimensionen von 64 bis 1024, um unterschiedliche Speicher- und Verarbeitungsanforderungen zu erfüllen. Das Modell kombiniert den leistungsstarken Text-Encoder Jina-XLM-RoBERTa und den visuellen Encoder EVA02-L14 und erzeugt durch gemeinsames Training ausgerichtete Bild- und Textrepräsentationen. jina-clip-v2 bietet genauere und benutzerfreundlichere Möglichkeiten in der multimodalen Suche und Retrieval, insbesondere beim Überwinden von Sprachbarrieren und beim Bereitstellen von cross-modalem Verständnis und Retrieval.