Perplexity: Embed V1 4B

pplx-embed-v1-4B er Perplexitys større, uafhængige tekstembeddingudgave i v1-familien. Den repræsenterer forespørgsler eller dokumenter som 2560-dimensionale vektorer til semantisk søgning og genfinding. Producenten bygger familien på Qwen3 med fortsat fortræning med diffusion og bruger gennemsnitspooling til tekstrepræsentationen. Denne uafhængige encoder adskiller sig fra pplx-embed-context-v1, som repræsenterer dokumentstykker ved hjælp af den omgivende kontekst.

Embed den faktiske tekst direkte

Modellen kræver ikke en instruktionsstreng eller et query/passage-præfiks. Forbered den tekst, du vil have repræsenteret, frem for at tilføje en rollekonvention lånt fra en anden familie. En søgesamling kan indeholde kildedokumenter, fokuserede passager eller korte tekstposter. Gem hvert elements oprindelige ordlyd og identifikator ved siden af vektoren, så et genfundet resultat forbliver læsbart og sporbart.

En praktisk opgave er at genfinde et afsnit i en teknisk forklaring til et spørgsmål om dens betingelser. Bevar afsnitsoverskriften, reglen og undtagelsen samlet. Forespørgslens ordlyd embeddes uafhængigt og sammenlignes derefter med de forberedte korpusrepræsentationer. Et senere RAG-trin bruger den returnerede passagetekst, ikke selve vektoren, som kildemateriale.

Native repræsentation og sammenligning

Producenten siger udtrykkeligt, at de native embeddings er unormaliserede og INT8-kvantiserede. Sammenlign dem med cosinuslighed. Et råt prikprodukt på de unormaliserede værdier er ikke det dokumenterede tilsvarende til cosinussammenligning. Repræsentationstype og lighedsfunktion hører derfor sammen ved valg af, hvordan et søgeindeks lagrer og sammenligner outputtet.

Modelkortet dokumenterer også binært output og angiver understøttelse af Matryoshka-repræsentationer. Binære komponenter og deres pakkede lagring adskiller sig fra almindelige arrays af flydende tal, så indekset skal fortolke den valgte repræsentation. Den fulde embeddingdimension beskriver repræsentationens komponenter og ikke antallet af bytes i enhver kodning. Hold dimension og outputtype ens på forespørgsels- og dokumentsiden.

Længde og dokumentgrænser

Modellens offentliggjorte kontekst er 32K. Det gør det muligt at repræsentere omfattende tekst, mens passagernes detaljeringsgrad stadig bør følge det, søgningen skal returnere. Et komplet afsnit kan bevare en definition og dens forbehold; et fokuseret uddrag kan pege direkte på en instruktion. For stort materiale bør forberedes efter det valgte inputvindue frem for at antage, at den udeladte afslutning stadig er repræsenteret.

Bevar en identifikator for det overordnede dokument og en kildeversion uden for vektoren. Hvis teksten ændres, skal den tilsvarende korpusrepræsentation opdateres, og forbindelsen til den nye kilde bevares. Ved en samling med flere sprog skal du undersøge de faktiske spørgsmål og kandidatpassager i den tilsigtede sprogblanding frem for at udlede ens relevans alene fra betegnelsen flersproget.

Uafhængige og kontekstuelle udgaver

v1-4B-modellen embedder hver indsendt tekst uafhængigt. At tilføje flere strenge til en batch gør den ikke til den særskilte context-v1-encoder til dokumentstykker. Når det omgivende dokument skal forme hvert stykkes repræsentation, tilhører opgaven den kontekstuelle udgave og dens egen forberedelse.

Den mindre pplx-embed-v1-0.6B returnerer 1024 dimensioner, mens denne 4B-udgave returnerer 2560. Hold de præcise identiteter og indeksrepræsentationer adskilt, medmindre en dokumenteret kompatibilitetsvej er etableret. Det nyttige resultat her er en uafhængig forespørgsels- eller kildetekstvektor, hvor cosinussammenligning og den valgte kvantiserede repræsentation registreres til genfindingsopgaven.