pplx-embed-v1-0.6B ist das kleinere unabhängige Embedding-Modell von Perplexity in der v1-Familie. Es wandelt Anfrage- oder Dokumenttext in eine 1024-dimensionale Repräsentation für Abruf und semantische Suche um. Der Hersteller beschreibt eine auf Qwen3 basierende Familie, die durch fortgesetztes Diffusions-Vortraining angepasst wurde, mit Mean-Pooling und einem Kontext von 32K. Das Modell kodiert den übergebenen Text direkt, ohne dass ein Instruktionspräfix erforderlich ist.
Eine nützliche Sammlung kann Produkterläuterungen, Abschnitte einer Wissensdatenbank oder kurze Recherchenotizen enthalten. Geben Sie jedem Text genug Quellkontext, damit er verständlich ist, wenn die Suche ihn zurückgibt: eine Überschrift, die gesuchte Aussage und die Bedingung, die ihre Bedeutung verändert. Bewahren Sie den Originaltext und die Datensatzkennung zusammen mit dem resultierenden Embedding auf.
Bei einer Notizsuche sollte eine Frage danach, was sich an einem Prozess geändert hat, die Notiz abrufen, die diese Änderung beschreibt. Betten Sie die tatsächliche Frage ein und vergleichen Sie sie mit den vorbereiteten Korpusdatensätzen. Fügen Sie nicht standardmäßig die Query- oder Passage-Instruktion einer anderen Modellfamilie hinzu; direkter Text ist die vom Hersteller dokumentierte Vorbereitung für dieses Modell.
Die native Repräsentation ist ein nicht normalisiertes INT8-Embedding. Perplexity empfiehlt ausdrücklich die Kosinus-Ähnlichkeit für den Vergleich. Ein reiner Skalarprodukt-Wert auf nicht normalisierter Ausgabe verändert den Vergleich, weil die Vektorlänge darin einfließt. Wählen Sie einen Suchindex und einen Bewertungsweg, die die gewählte Repräsentation und Metrik gemeinsam interpretieren können.
Eine binäre Repräsentation ist ebenfalls dokumentiert, und die Modelltabelle weist Matryoshka-Unterstützung aus. Diese Repräsentationsoptionen können für die Indexspeicherung relevant sein, ihre Komponenten und gepackten Bytes müssen jedoch korrekt interpretiert werden. Die volle 1024-dimensionale Ausgabe unterscheidet sich vom 2560-dimensionalen 4B-Modell. Eine Änderung der Modellgröße oder der Ausgaberepräsentation sollte auf Anfrage- und Korpusseite geprüft und nicht automatisch als gemeinsamer Raum behandelt werden.
Die Kontextspezifikation des Herstellers beträgt 32K. Eine lange Notiz oder ein Dokumentabschnitt kann mehr umgebende Erläuterung aufnehmen als bei einem Encoder mit kurzem Fenster, während die Abrufeinheit weiterhin einen klaren Zweck braucht. Legen Sie fest, ob ein Treffer einen ganzen Abschnitt oder eine fokussierte, antwortrelevante Passage zurückgeben soll. Halten Sie Definitionen und Ausnahmen bei der Aussage, die sie einschränken.
Bewahren Sie bei umfangreicherem Quellmaterial die Kennung des übergeordneten Dokuments und die Version außerhalb des Vektors auf. So führt das Suchergebnis zurück zur Quelle, und geänderter Text kann seine zugehörige Repräsentation ersetzen. Prüfen Sie Kandidatenergebnisse anhand echter Fragen im vorgesehenen Sprachmix und stellen Sie sicher, dass die Passage die angeforderte Information liefert, statt nur ein ähnliches Thema zu behandeln.
Die Modellkarte unterscheidet diesen unabhängigen Encoder von pplx-embed-context-v1-0.6B. Das kontextuelle Modell nutzt das Dokumentumfeld für die Repräsentation von Chunks; das gewöhnliche v1-Modell repräsentiert jeden übergebenen Text für sich. Eine Liste unabhängiger Zeichenketten belegt nicht, dass eine kontextuelle Chunk-Verarbeitung stattgefunden hat.
Das nützliche Ergebnis ist eine Korpusrepräsentation oder ein Anfragevektor, der mit dem tatsächlichen Quelltext verknüpft ist, wobei das gewählte INT8- oder Binärformat und der Kosinusvergleich festgehalten werden. Eine spätere Ranking- oder RAG-Antwortstufe nutzt den abgerufenen Text als separates Artefakt. Dieses Profil gehört zur genauen unabhängigen Edition 0.6B, nicht zu den Modellen 4B oder context-v1.
", "aboutText": "pplx-embed-v1-0.6B ist das kleinere unabhängige Embedding-Modell von Perplexity in der v1-Familie. Es wandelt Anfrage- oder Dokumenttext in eine 1024-dimensionale Repräsentation für Abruf und semantische Suche um. Der Hersteller beschreibt eine auf Qwen3 basierende Familie, die durch fortgesetztes Diffusions-Vortraining angepasst wurde, mit Mean-Pooling und einem Kontext von 32K. Das Modell kodiert den übergebenen Text direkt, ohne dass ein Instruktionspräfix erforderlich ist.\n\n### Einen unabhängigen Datensatz vorbereiten\n\nEine nützliche Sammlung kann Produkterläuterungen, Abschnitte einer Wissensdatenbank oder kurze Recherchenotizen enthalten. Geben Sie jedem Text genug Quellkontext, damit er verständlich ist, wenn die Suche ihn zurückgibt: eine Überschrift, die gesuchte Aussage und die Bedingung, die ihre Bedeutung verändert. Bewahren Sie den Originaltext und die Datensatzkennung zusammen mit dem resultierenden Embedding auf.\n\nBei einer Notizsuche sollte eine Frage danach, was sich an einem Prozess geändert hat, die Notiz abrufen, die diese Änderung beschreibt. Betten Sie die tatsächliche Frage ein und vergleichen Sie sie mit den vorbereiteten Korpusdatensätzen. Fügen Sie nicht standardmäßig die Query- oder Passage-Instruktion einer anderen Modellfamilie hinzu; direkter Text ist die vom Hersteller dokumentierte Vorbereitung für dieses Modell.\n\n### Quantisierte Vektoren und Kosinusvergleich\n\nDie native Repräsentation ist ein nicht normalisiertes INT8-Embedding. Perplexity empfiehlt ausdrücklich die Kosinus-Ähnlichkeit für den Vergleich. Ein reiner Skalarprodukt-Wert auf nicht normalisierter Ausgabe verändert den Vergleich, weil die Vektorlänge darin einfließt. Wählen Sie einen Suchindex und einen Bewertungsweg, die die gewählte Repräsentation und Metrik gemeinsam interpretieren können.\n\nEine binäre Repräsentation ist ebenfalls dokumentiert, und die Modelltabelle weist Matryoshka-Unterstützung aus. Diese Repräsentationsoptionen können für die Indexspeicherung relevant sein, ihre Komponenten und gepackten Bytes müssen jedoch korrekt interpretiert werden. Die volle 1024-dimensionale Ausgabe unterscheidet sich vom 2560-dimensionalen 4B-Modell. Eine Änderung der Modellgröße oder der Ausgaberepräsentation sollte auf Anfrage- und Korpusseite geprüft und nicht automatisch als gemeinsamer Raum behandelt werden.\n\n### Den Kontext gezielt nutzen\n\nDie Kontextspezifikation des Herstellers beträgt 32K. Eine lange Notiz oder ein Dokumentabschnitt kann mehr umgebende Erläuterung aufnehmen als bei einem Encoder mit kurzem Fenster, während die Abrufeinheit weiterhin einen klaren Zweck braucht. Legen Sie fest, ob ein Treffer einen ganzen Abschnitt oder eine fokussierte, antwortrelevante Passage zurückgeben soll. Halten Sie Definitionen und Ausnahmen bei der Aussage, die sie einschränken.\n\nBewahren Sie bei umfangreicherem Quellmaterial die Kennung des übergeordneten Dokuments und die Version außerhalb des Vektors auf. So führt das Suchergebnis zurück zur Quelle, und geänderter Text kann seine zugehörige Repräsentation ersetzen. Prüfen Sie Kandidatenergebnisse anhand echter Fragen im vorgesehenen Sprachmix und stellen Sie sicher, dass die Passage die angeforderte Information liefert, statt nur ein ähnliches Thema zu behandeln.\n\n### Unabhängige und kontextuelle Verarbeitung trennen\n\nDie Modellkarte unterscheidet diesen unabhängigen Encoder von pplx-embed-context-v1-0.6B. Das kontextuelle Modell nutzt das Dokumentumfeld für die Repräsentation von Chunks; das gewöhnliche v1-Modell repräsentiert jeden übergebenen Text für sich. Eine Liste unabhängiger Zeichenketten belegt nicht, dass eine kontextuelle Chunk-Verarbeitung stattgefunden hat.\n\nDas nützliche Ergebnis ist eine Korpusrepräsentation oder ein Anfragevektor, der mit dem tatsächlichen Quelltext verknüpft ist, wobei das gewählte INT8- oder Binärformat und der Kosinusvergleich festgehalten werden. Eine spätere Ranking- oder RAG-Antwortstufe nutzt den abgerufenen Text als separates Artefakt. Dieses Profil gehört zur genauen unabhängigen Edition 0.6B, nicht zu den Modellen 4B oder context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3769d399a0d0e2ce570a2f4be3c8842cc39e2e08afa3b08eb9d7028a0aed92e3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B erzeugt 1024-dimensionale Embeddings für den unabhängigen mehrsprachigen Textabruf. Der Kontext von 32K, die direkte Textvorbereitung und native INT8- oder Binärrepräsentationen definieren ein kleineres Indexprofil der v1-Familie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
pplx-embed-v1-0.6B ist das kleinere unabhängige Embedding-Modell von Perplexity in der v1-Familie. Es wandelt Anfrage- oder Dokumenttext in eine 1024-dimensionale Repräsentation für Abruf und semantische Suche um. Der Hersteller beschreibt eine auf Qwen3 basierende Familie, die durch fortgesetztes Diffusions-Vortraining angepasst wurde, mit Mean-Pooling und einem Kontext von 32K. Das Modell kodiert den übergebenen Text direkt, ohne dass ein Instruktionspräfix erforderlich ist.
Eine nützliche Sammlung kann Produkterläuterungen, Abschnitte einer Wissensdatenbank oder kurze Recherchenotizen enthalten. Geben Sie jedem Text genug Quellkontext, damit er verständlich ist, wenn die Suche ihn zurückgibt: eine Überschrift, die gesuchte Aussage und die Bedingung, die ihre Bedeutung verändert. Bewahren Sie den Originaltext und die Datensatzkennung zusammen mit dem resultierenden Embedding auf.
Bei einer Notizsuche sollte eine Frage danach, was sich an einem Prozess geändert hat, die Notiz abrufen, die diese Änderung beschreibt. Betten Sie die tatsächliche Frage ein und vergleichen Sie sie mit den vorbereiteten Korpusdatensätzen. Fügen Sie nicht standardmäßig die Query- oder Passage-Instruktion einer anderen Modellfamilie hinzu; direkter Text ist die vom Hersteller dokumentierte Vorbereitung für dieses Modell.
Die native Repräsentation ist ein nicht normalisiertes INT8-Embedding. Perplexity empfiehlt ausdrücklich die Kosinus-Ähnlichkeit für den Vergleich. Ein reiner Skalarprodukt-Wert auf nicht normalisierter Ausgabe verändert den Vergleich, weil die Vektorlänge darin einfließt. Wählen Sie einen Suchindex und einen Bewertungsweg, die die gewählte Repräsentation und Metrik gemeinsam interpretieren können.
Eine binäre Repräsentation ist ebenfalls dokumentiert, und die Modelltabelle weist Matryoshka-Unterstützung aus. Diese Repräsentationsoptionen können für die Indexspeicherung relevant sein, ihre Komponenten und gepackten Bytes müssen jedoch korrekt interpretiert werden. Die volle 1024-dimensionale Ausgabe unterscheidet sich vom 2560-dimensionalen 4B-Modell. Eine Änderung der Modellgröße oder der Ausgaberepräsentation sollte auf Anfrage- und Korpusseite geprüft und nicht automatisch als gemeinsamer Raum behandelt werden.
Die Kontextspezifikation des Herstellers beträgt 32K. Eine lange Notiz oder ein Dokumentabschnitt kann mehr umgebende Erläuterung aufnehmen als bei einem Encoder mit kurzem Fenster, während die Abrufeinheit weiterhin einen klaren Zweck braucht. Legen Sie fest, ob ein Treffer einen ganzen Abschnitt oder eine fokussierte, antwortrelevante Passage zurückgeben soll. Halten Sie Definitionen und Ausnahmen bei der Aussage, die sie einschränken.
Bewahren Sie bei umfangreicherem Quellmaterial die Kennung des übergeordneten Dokuments und die Version außerhalb des Vektors auf. So führt das Suchergebnis zurück zur Quelle, und geänderter Text kann seine zugehörige Repräsentation ersetzen. Prüfen Sie Kandidatenergebnisse anhand echter Fragen im vorgesehenen Sprachmix und stellen Sie sicher, dass die Passage die angeforderte Information liefert, statt nur ein ähnliches Thema zu behandeln.
Die Modellkarte unterscheidet diesen unabhängigen Encoder von pplx-embed-context-v1-0.6B. Das kontextuelle Modell nutzt das Dokumentumfeld für die Repräsentation von Chunks; das gewöhnliche v1-Modell repräsentiert jeden übergebenen Text für sich. Eine Liste unabhängiger Zeichenketten belegt nicht, dass eine kontextuelle Chunk-Verarbeitung stattgefunden hat.
Das nützliche Ergebnis ist eine Korpusrepräsentation oder ein Anfragevektor, der mit dem tatsächlichen Quelltext verknüpft ist, wobei das gewählte INT8- oder Binärformat und der Kosinusvergleich festgehalten werden. Eine spätere Ranking- oder RAG-Antwortstufe nutzt den abgerufenen Text als separates Artefakt. Dieses Profil gehört zur genauen unabhängigen Edition 0.6B, nicht zu den Modellen 4B oder context-v1.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits perplexity/pplx-embed-v1-0.6b | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 32 000 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag32000 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000008 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Verwenden Sie die oben angezeigten Methodenpfade.