pplx-embed-v1-0.6B er Perplexitys mindre, uafhængige embeddingmodel i v1-familien. Den omdanner forespørgsels- eller dokumenttekst til en 1024-dimensional repræsentation til genfinding og semantisk søgning. Producenten beskriver en Qwen3-baseret familie tilpasset gennem fortsat fortræning med diffusion, med gennemsnitspooling og en 32K-kontekst. Modellen koder den indsendte tekst direkte uden et påkrævet instruktionspræfiks.
En nyttig samling kan indeholde produktforklaringer, vidensbaseafsnit eller korte forskningsnoter. Giv hver tekst tilstrækkelig kildekontekst til at blive forstået, når den returneres af søgning: en overskrift, det søgte udsagn og den betingelse, der ændrer dets betydning. Gem den oprindelige tekst og postidentifikatoren sammen med den resulterende embeddingvektor.
Ved en notesøgningsopgave bør et spørgsmål om, hvad der ændrede sig i en proces, genfinde den note, som beskriver ændringen. Embed det faktiske spørgsmål, og sammenlign det med de forberedte korpusposter. Tilføj ikke som standard en anden modelfamilies query/passage-instruktion; direkte tekst er producentens dokumenterede forberedelse til denne model.
Den native repræsentation er en unormaliseret INT8-embedding. Perplexity anbefaler udtrykkeligt cosinuslighed til sammenligning. En rå prikproduktscore på unormaliseret output ændrer sammenligningen, fordi vektorens norm bidrager til den. Vælg et søgeindeks og en scoringsvej, som kan fortolke den valgte repræsentation og metrik samlet.
Binær repræsentation er også dokumenteret, og modeltabellen angiver Matryoshka-understøttelse. Disse repræsentationsmuligheder kan være relevante for indekslagring, men deres komponenter og pakkede bytes skal fortolkes korrekt. Det fulde 1024-dimensionale output adskiller sig fra den 2560-dimensionale 4B-model. En ændring af modelstørrelse eller outputrepræsentation bør kontrolleres på forespørgsels- og korpussiden frem for at blive behandlet som et automatisk fælles rum.
Producentens kontekstspecifikation er 32K. En lang note eller et dokumentafsnit kan rumme mere omgivende forklaring end en encoder med et kort vindue, mens genfindingsenheden stadig skal have et tydeligt formål. Vælg, om en træffer skal returnere et helt afsnit eller en fokuseret passage med svarindhold. Bevar definitioner og undtagelser sammen med det udsagn, de præciserer.
Ved større kildemateriale skal du bevare det overordnede dokuments identifikator og version uden for vektoren. Det lader søgeresultatet føre tilbage til kilden og lader ændret tekst erstatte dens tilsvarende repræsentation. Undersøg kandidatresultater for virkelige spørgsmål i den tilsigtede sprogblanding, og kontrollér, at passagen leverer den ønskede information frem for blot at behandle et lignende emne.
Modelkortet adskiller denne uafhængige encoder fra pplx-embed-context-v1-0.6B. Den kontekstuelle model bruger dokumentets omgivelser til repræsentationer af dokumentstykker; den almindelige v1-model repræsenterer hver indsendt tekst for sig. En liste af uafhængige strenge fastslår ikke, at kontekstuel behandling af dokumentstykker fandt sted.
Det nyttige output er en korpusrepræsentation eller forespørgselsvektor knyttet til den faktiske kildetekst med det valgte INT8- eller binære format og cosinussammenligningen registreret. Et senere rangerings- eller RAG-svartrin bruger den genfundne tekst som et særskilt resultat. Profilen tilhører den præcise uafhængige 0.6B-udgave, ikke 4B- eller context-v1-modellerne.
", "aboutText": "pplx-embed-v1-0.6B er Perplexitys mindre, uafhængige embeddingmodel i v1-familien. Den omdanner forespørgsels- eller dokumenttekst til en 1024-dimensional repræsentation til genfinding og semantisk søgning. Producenten beskriver en Qwen3-baseret familie tilpasset gennem fortsat fortræning med diffusion, med gennemsnitspooling og en 32K-kontekst. Modellen koder den indsendte tekst direkte uden et påkrævet instruktionspræfiks.\n\n### Forbered en uafhængig post\n\nEn nyttig samling kan indeholde produktforklaringer, vidensbaseafsnit eller korte forskningsnoter. Giv hver tekst tilstrækkelig kildekontekst til at blive forstået, når den returneres af søgning: en overskrift, det søgte udsagn og den betingelse, der ændrer dets betydning. Gem den oprindelige tekst og postidentifikatoren sammen med den resulterende embeddingvektor.\n\nVed en notesøgningsopgave bør et spørgsmål om, hvad der ændrede sig i en proces, genfinde den note, som beskriver ændringen. Embed det faktiske spørgsmål, og sammenlign det med de forberedte korpusposter. Tilføj ikke som standard en anden modelfamilies query/passage-instruktion; direkte tekst er producentens dokumenterede forberedelse til denne model.\n\n### Kvantiserede vektorer og cosinussammenligning\n\nDen native repræsentation er en unormaliseret INT8-embedding. Perplexity anbefaler udtrykkeligt cosinuslighed til sammenligning. En rå prikproduktscore på unormaliseret output ændrer sammenligningen, fordi vektorens norm bidrager til den. Vælg et søgeindeks og en scoringsvej, som kan fortolke den valgte repræsentation og metrik samlet.\n\nBinær repræsentation er også dokumenteret, og modeltabellen angiver Matryoshka-understøttelse. Disse repræsentationsmuligheder kan være relevante for indekslagring, men deres komponenter og pakkede bytes skal fortolkes korrekt. Det fulde 1024-dimensionale output adskiller sig fra den 2560-dimensionale 4B-model. En ændring af modelstørrelse eller outputrepræsentation bør kontrolleres på forespørgsels- og korpussiden frem for at blive behandlet som et automatisk fælles rum.\n\n### Brug konteksten bevidst\n\nProducentens kontekstspecifikation er 32K. En lang note eller et dokumentafsnit kan rumme mere omgivende forklaring end en encoder med et kort vindue, mens genfindingsenheden stadig skal have et tydeligt formål. Vælg, om en træffer skal returnere et helt afsnit eller en fokuseret passage med svarindhold. Bevar definitioner og undtagelser sammen med det udsagn, de præciserer.\n\nVed større kildemateriale skal du bevare det overordnede dokuments identifikator og version uden for vektoren. Det lader søgeresultatet føre tilbage til kilden og lader ændret tekst erstatte dens tilsvarende repræsentation. Undersøg kandidatresultater for virkelige spørgsmål i den tilsigtede sprogblanding, og kontrollér, at passagen leverer den ønskede information frem for blot at behandle et lignende emne.\n\n### Adskil uafhængig og kontekstuel behandling\n\nModelkortet adskiller denne uafhængige encoder fra pplx-embed-context-v1-0.6B. Den kontekstuelle model bruger dokumentets omgivelser til repræsentationer af dokumentstykker; den almindelige v1-model repræsenterer hver indsendt tekst for sig. En liste af uafhængige strenge fastslår ikke, at kontekstuel behandling af dokumentstykker fandt sted.\n\nDet nyttige output er en korpusrepræsentation eller forespørgselsvektor knyttet til den faktiske kildetekst med det valgte INT8- eller binære format og cosinussammenligningen registreret. Et senere rangerings- eller RAG-svartrin bruger den genfundne tekst som et særskilt resultat. Profilen tilhører den præcise uafhængige 0.6B-udgave, ikke 4B- eller context-v1-modellerne.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c356339f3770340e560a00bd3a2bc57a970efd9aa148f5bd3c356643d12c5990", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B producerer 1024-dimensionale embeddings til uafhængig flersproget tekstgenfinding. Dens 32K-kontekst, direkte tekstforberedelse og native INT8- eller binære repræsentationer definerer en mindre indeksprofil i v1-familien.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
pplx-embed-v1-0.6B er Perplexitys mindre, uafhængige embeddingmodel i v1-familien. Den omdanner forespørgsels- eller dokumenttekst til en 1024-dimensional repræsentation til genfinding og semantisk søgning. Producenten beskriver en Qwen3-baseret familie tilpasset gennem fortsat fortræning med diffusion, med gennemsnitspooling og en 32K-kontekst. Modellen koder den indsendte tekst direkte uden et påkrævet instruktionspræfiks.
En nyttig samling kan indeholde produktforklaringer, vidensbaseafsnit eller korte forskningsnoter. Giv hver tekst tilstrækkelig kildekontekst til at blive forstået, når den returneres af søgning: en overskrift, det søgte udsagn og den betingelse, der ændrer dets betydning. Gem den oprindelige tekst og postidentifikatoren sammen med den resulterende embeddingvektor.
Ved en notesøgningsopgave bør et spørgsmål om, hvad der ændrede sig i en proces, genfinde den note, som beskriver ændringen. Embed det faktiske spørgsmål, og sammenlign det med de forberedte korpusposter. Tilføj ikke som standard en anden modelfamilies query/passage-instruktion; direkte tekst er producentens dokumenterede forberedelse til denne model.
Den native repræsentation er en unormaliseret INT8-embedding. Perplexity anbefaler udtrykkeligt cosinuslighed til sammenligning. En rå prikproduktscore på unormaliseret output ændrer sammenligningen, fordi vektorens norm bidrager til den. Vælg et søgeindeks og en scoringsvej, som kan fortolke den valgte repræsentation og metrik samlet.
Binær repræsentation er også dokumenteret, og modeltabellen angiver Matryoshka-understøttelse. Disse repræsentationsmuligheder kan være relevante for indekslagring, men deres komponenter og pakkede bytes skal fortolkes korrekt. Det fulde 1024-dimensionale output adskiller sig fra den 2560-dimensionale 4B-model. En ændring af modelstørrelse eller outputrepræsentation bør kontrolleres på forespørgsels- og korpussiden frem for at blive behandlet som et automatisk fælles rum.
Producentens kontekstspecifikation er 32K. En lang note eller et dokumentafsnit kan rumme mere omgivende forklaring end en encoder med et kort vindue, mens genfindingsenheden stadig skal have et tydeligt formål. Vælg, om en træffer skal returnere et helt afsnit eller en fokuseret passage med svarindhold. Bevar definitioner og undtagelser sammen med det udsagn, de præciserer.
Ved større kildemateriale skal du bevare det overordnede dokuments identifikator og version uden for vektoren. Det lader søgeresultatet føre tilbage til kilden og lader ændret tekst erstatte dens tilsvarende repræsentation. Undersøg kandidatresultater for virkelige spørgsmål i den tilsigtede sprogblanding, og kontrollér, at passagen leverer den ønskede information frem for blot at behandle et lignende emne.
Modelkortet adskiller denne uafhængige encoder fra pplx-embed-context-v1-0.6B. Den kontekstuelle model bruger dokumentets omgivelser til repræsentationer af dokumentstykker; den almindelige v1-model repræsenterer hver indsendt tekst for sig. En liste af uafhængige strenge fastslår ikke, at kontekstuel behandling af dokumentstykker fandt sted.
Det nyttige output er en korpusrepræsentation eller forespørgselsvektor knyttet til den faktiske kildetekst med det valgte INT8- eller binære format og cosinussammenligningen registreret. Et senere rangerings- eller RAG-svartrin bruger den genfundne tekst som et særskilt resultat. Profilen tilhører den præcise uafhængige 0.6B-udgave, ikke 4B- eller context-v1-modellerne.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/pplx-embed-v1-0.6b | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 32.000 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt32000 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000008 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "perplexity/pplx-embed-v1-0.6b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='perplexity/pplx-embed-v1-0.6b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Brug metodestierne vist ovenfor.