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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Embed den faktiske tekst direkte\n\nModellen 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.\n\nEn 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.\n\n### Native repræsentation og sammenligning\n\nProducenten 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.\n\nModelkortet 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.\n\n### Længde og dokumentgrænser\n\nModellens 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.\n\nBevar 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.\n\n### Uafhængige og kontekstuelle udgaver\n\nv1-4B-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.\n\nDen 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b6d22465dc1371d5c7b2a7f133b292d7956ba6fadb90263e8f5795911f40e734", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B koder selvstændig tekst til søgevektorer med 2560 dimensioner og en kontekst på 32K. Den kræver intet instruktionspræfiks og producerer som udgangspunkt unormaliserede INT8-embeddings, der sammenlignes med cosinuslighed.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/pplx-embed-v1-4b | 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 $0.00006 / 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-v1-4b", "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-v1-4b',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-v1-4b
Brug metodestierne vist ovenfor.