pplx-embed-v1-4B ist die größere unabhängige Text-Embedding-Edition von Perplexity in der v1-Familie. Sie stellt Anfragen oder Dokumente als 2560-dimensionale Vektoren für semantische Suche und Abruf dar. Der Hersteller baut die Familie auf Qwen3 mit fortgesetztem Diffusions-Vortraining auf und nutzt Mean-Pooling für die Textrepräsentation. Dieser unabhängige Encoder unterscheidet sich von pplx-embed-context-v1, das Dokument-Chunks unter Einbeziehung des umgebenden Kontexts repräsentiert.
Das Modell benötigt weder eine Instruktionszeichenkette noch ein Query- oder Passage-Präfix. Bereiten Sie den Text vor, der repräsentiert werden soll, statt eine Rollenkonvention aus einer anderen Familie zu übernehmen. Eine Suchsammlung kann Quelldokumente, fokussierte Passagen oder kurze Textdatensätze enthalten. Bewahren Sie den ursprünglichen Wortlaut und die Kennung jedes Elements neben seinem Vektor auf, damit ein abgerufenes Ergebnis lesbar und nachvollziehbar bleibt.
Eine praktische Aufgabe besteht darin, zu einer Frage nach den Bedingungen einer technischen Erläuterung den passenden Abschnitt abzurufen. Halten Sie Abschnittsüberschrift, Regel und Ausnahme zusammen. Der Wortlaut der Anfrage wird unabhängig eingebettet und dann mit den vorbereiteten Korpusrepräsentationen verglichen. Eine spätere RAG-Stufe verwendet den Text der zurückgegebenen Passage als Quellmaterial, nicht den Vektor selbst.
Der Hersteller gibt ausdrücklich an, dass die nativen Embeddings nicht normalisiert und INT8-quantisiert sind. Vergleichen Sie sie per Kosinus-Ähnlichkeit. Ein reines Skalarprodukt auf diesen nicht normalisierten Werten ist nicht das dokumentierte Äquivalent zum Kosinusvergleich. Repräsentationstyp und Ähnlichkeitsfunktion gehören daher zusammen, wenn Sie festlegen, wie ein Suchindex die Ausgabe speichert und vergleicht.
Die Modellkarte dokumentiert außerdem eine binäre Ausgabe und weist Unterstützung für Matryoshka-Repräsentationen aus. Binäre Komponenten und ihre gepackte Speicherung unterscheiden sich von gewöhnlichen Gleitkomma-Arrays; der Index muss die gewählte Repräsentation daher entsprechend interpretieren. Die volle Embedding-Dimension beschreibt die Komponenten der Repräsentation, nicht die Anzahl der Bytes in jeder Kodierung. Halten Sie Dimension und Ausgabetyp auf Anfrage- und Dokumentseite einheitlich.
Der veröffentlichte Kontext des Modells beträgt 32K. Damit lässt sich umfangreicher Text repräsentieren, während sich die Granularität der Passagen weiterhin danach richten sollte, was die Suche zurückgeben soll. Ein vollständiger Abschnitt kann eine Definition samt ihren Einschränkungen enthalten; ein fokussierter Auszug kann direkt auf eine Anweisung verweisen. Übergroßes Material sollte passend zum gewählten Eingabefenster vorbereitet werden, statt davon auszugehen, dass ein ausgelassener Rest weiterhin repräsentiert ist.
Bewahren Sie eine Kennung des übergeordneten Dokuments und die Quellversion außerhalb des Vektors auf. Wenn sich der Text ändert, aktualisieren Sie die zugehörige Korpusrepräsentation und behalten Sie die Verbindung zur neuen Quelle bei. Prüfen Sie bei einer Sammlung mit mehreren Sprachen die tatsächlichen Fragen und Kandidatenpassagen im vorgesehenen Sprachmix, statt allein aus der Bezeichnung „mehrsprachig“ auf gleiche Relevanz zu schließen.
Das Modell v1-4B bettet jeden übergebenen Text unabhängig ein. Werden mehrere Zeichenketten in einem Batch übergeben, wird es dadurch nicht zum eigenständigen Chunk-Encoder context-v1. Wenn das umgebende Dokument die Repräsentation jedes Chunks prägen soll, gehört diese Aufgabe zur kontextuellen Edition und deren eigener Vorbereitung.
Das kleinere pplx-embed-v1-0.6B liefert 1024 Dimensionen, diese 4B-Edition dagegen 2560. Halten Sie ihre genauen Identitäten und Indexrepräsentationen getrennt, sofern kein dokumentierter Kompatibilitätsweg besteht. Das nützliche Ergebnis ist hier ein unabhängiger Vektor für Anfrage oder Quelltext, wobei der Kosinusvergleich und die gewählte quantisierte Repräsentation für die Abrufaufgabe festgehalten werden.
", "aboutText": "pplx-embed-v1-4B ist die größere unabhängige Text-Embedding-Edition von Perplexity in der v1-Familie. Sie stellt Anfragen oder Dokumente als 2560-dimensionale Vektoren für semantische Suche und Abruf dar. Der Hersteller baut die Familie auf Qwen3 mit fortgesetztem Diffusions-Vortraining auf und nutzt Mean-Pooling für die Textrepräsentation. Dieser unabhängige Encoder unterscheidet sich von pplx-embed-context-v1, das Dokument-Chunks unter Einbeziehung des umgebenden Kontexts repräsentiert.\n\n### Den tatsächlichen Text direkt einbetten\n\nDas Modell benötigt weder eine Instruktionszeichenkette noch ein Query- oder Passage-Präfix. Bereiten Sie den Text vor, der repräsentiert werden soll, statt eine Rollenkonvention aus einer anderen Familie zu übernehmen. Eine Suchsammlung kann Quelldokumente, fokussierte Passagen oder kurze Textdatensätze enthalten. Bewahren Sie den ursprünglichen Wortlaut und die Kennung jedes Elements neben seinem Vektor auf, damit ein abgerufenes Ergebnis lesbar und nachvollziehbar bleibt.\n\nEine praktische Aufgabe besteht darin, zu einer Frage nach den Bedingungen einer technischen Erläuterung den passenden Abschnitt abzurufen. Halten Sie Abschnittsüberschrift, Regel und Ausnahme zusammen. Der Wortlaut der Anfrage wird unabhängig eingebettet und dann mit den vorbereiteten Korpusrepräsentationen verglichen. Eine spätere RAG-Stufe verwendet den Text der zurückgegebenen Passage als Quellmaterial, nicht den Vektor selbst.\n\n### Native Repräsentation und Vergleich\n\nDer Hersteller gibt ausdrücklich an, dass die nativen Embeddings nicht normalisiert und INT8-quantisiert sind. Vergleichen Sie sie per Kosinus-Ähnlichkeit. Ein reines Skalarprodukt auf diesen nicht normalisierten Werten ist nicht das dokumentierte Äquivalent zum Kosinusvergleich. Repräsentationstyp und Ähnlichkeitsfunktion gehören daher zusammen, wenn Sie festlegen, wie ein Suchindex die Ausgabe speichert und vergleicht.\n\nDie Modellkarte dokumentiert außerdem eine binäre Ausgabe und weist Unterstützung für Matryoshka-Repräsentationen aus. Binäre Komponenten und ihre gepackte Speicherung unterscheiden sich von gewöhnlichen Gleitkomma-Arrays; der Index muss die gewählte Repräsentation daher entsprechend interpretieren. Die volle Embedding-Dimension beschreibt die Komponenten der Repräsentation, nicht die Anzahl der Bytes in jeder Kodierung. Halten Sie Dimension und Ausgabetyp auf Anfrage- und Dokumentseite einheitlich.\n\n### Länge und Dokumentgrenzen\n\nDer veröffentlichte Kontext des Modells beträgt 32K. Damit lässt sich umfangreicher Text repräsentieren, während sich die Granularität der Passagen weiterhin danach richten sollte, was die Suche zurückgeben soll. Ein vollständiger Abschnitt kann eine Definition samt ihren Einschränkungen enthalten; ein fokussierter Auszug kann direkt auf eine Anweisung verweisen. Übergroßes Material sollte passend zum gewählten Eingabefenster vorbereitet werden, statt davon auszugehen, dass ein ausgelassener Rest weiterhin repräsentiert ist.\n\nBewahren Sie eine Kennung des übergeordneten Dokuments und die Quellversion außerhalb des Vektors auf. Wenn sich der Text ändert, aktualisieren Sie die zugehörige Korpusrepräsentation und behalten Sie die Verbindung zur neuen Quelle bei. Prüfen Sie bei einer Sammlung mit mehreren Sprachen die tatsächlichen Fragen und Kandidatenpassagen im vorgesehenen Sprachmix, statt allein aus der Bezeichnung „mehrsprachig“ auf gleiche Relevanz zu schließen.\n\n### Unabhängige und kontextuelle Editionen\n\nDas Modell v1-4B bettet jeden übergebenen Text unabhängig ein. Werden mehrere Zeichenketten in einem Batch übergeben, wird es dadurch nicht zum eigenständigen Chunk-Encoder context-v1. Wenn das umgebende Dokument die Repräsentation jedes Chunks prägen soll, gehört diese Aufgabe zur kontextuellen Edition und deren eigener Vorbereitung.\n\nDas kleinere pplx-embed-v1-0.6B liefert 1024 Dimensionen, diese 4B-Edition dagegen 2560. Halten Sie ihre genauen Identitäten und Indexrepräsentationen getrennt, sofern kein dokumentierter Kompatibilitätsweg besteht. Das nützliche Ergebnis ist hier ein unabhängiger Vektor für Anfrage oder Quelltext, wobei der Kosinusvergleich und die gewählte quantisierte Repräsentation für die Abrufaufgabe festgehalten werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "35098eeb6d959d5f5834a23c116470d599178f310ae9647b00df642d8d3c83d4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B kodiert eigenständige Texte in 2560-dimensionale Suchvektoren mit einem Kontext von 32K. Das Modell benötigt kein Anweisungspräfix und erzeugt nativ nicht normalisierte INT8-Embeddings, die anhand der Kosinusähnlichkeit verglichen werden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
pplx-embed-v1-4B ist die größere unabhängige Text-Embedding-Edition von Perplexity in der v1-Familie. Sie stellt Anfragen oder Dokumente als 2560-dimensionale Vektoren für semantische Suche und Abruf dar. Der Hersteller baut die Familie auf Qwen3 mit fortgesetztem Diffusions-Vortraining auf und nutzt Mean-Pooling für die Textrepräsentation. Dieser unabhängige Encoder unterscheidet sich von pplx-embed-context-v1, das Dokument-Chunks unter Einbeziehung des umgebenden Kontexts repräsentiert.
Das Modell benötigt weder eine Instruktionszeichenkette noch ein Query- oder Passage-Präfix. Bereiten Sie den Text vor, der repräsentiert werden soll, statt eine Rollenkonvention aus einer anderen Familie zu übernehmen. Eine Suchsammlung kann Quelldokumente, fokussierte Passagen oder kurze Textdatensätze enthalten. Bewahren Sie den ursprünglichen Wortlaut und die Kennung jedes Elements neben seinem Vektor auf, damit ein abgerufenes Ergebnis lesbar und nachvollziehbar bleibt.
Eine praktische Aufgabe besteht darin, zu einer Frage nach den Bedingungen einer technischen Erläuterung den passenden Abschnitt abzurufen. Halten Sie Abschnittsüberschrift, Regel und Ausnahme zusammen. Der Wortlaut der Anfrage wird unabhängig eingebettet und dann mit den vorbereiteten Korpusrepräsentationen verglichen. Eine spätere RAG-Stufe verwendet den Text der zurückgegebenen Passage als Quellmaterial, nicht den Vektor selbst.
Der Hersteller gibt ausdrücklich an, dass die nativen Embeddings nicht normalisiert und INT8-quantisiert sind. Vergleichen Sie sie per Kosinus-Ähnlichkeit. Ein reines Skalarprodukt auf diesen nicht normalisierten Werten ist nicht das dokumentierte Äquivalent zum Kosinusvergleich. Repräsentationstyp und Ähnlichkeitsfunktion gehören daher zusammen, wenn Sie festlegen, wie ein Suchindex die Ausgabe speichert und vergleicht.
Die Modellkarte dokumentiert außerdem eine binäre Ausgabe und weist Unterstützung für Matryoshka-Repräsentationen aus. Binäre Komponenten und ihre gepackte Speicherung unterscheiden sich von gewöhnlichen Gleitkomma-Arrays; der Index muss die gewählte Repräsentation daher entsprechend interpretieren. Die volle Embedding-Dimension beschreibt die Komponenten der Repräsentation, nicht die Anzahl der Bytes in jeder Kodierung. Halten Sie Dimension und Ausgabetyp auf Anfrage- und Dokumentseite einheitlich.
Der veröffentlichte Kontext des Modells beträgt 32K. Damit lässt sich umfangreicher Text repräsentieren, während sich die Granularität der Passagen weiterhin danach richten sollte, was die Suche zurückgeben soll. Ein vollständiger Abschnitt kann eine Definition samt ihren Einschränkungen enthalten; ein fokussierter Auszug kann direkt auf eine Anweisung verweisen. Übergroßes Material sollte passend zum gewählten Eingabefenster vorbereitet werden, statt davon auszugehen, dass ein ausgelassener Rest weiterhin repräsentiert ist.
Bewahren Sie eine Kennung des übergeordneten Dokuments und die Quellversion außerhalb des Vektors auf. Wenn sich der Text ändert, aktualisieren Sie die zugehörige Korpusrepräsentation und behalten Sie die Verbindung zur neuen Quelle bei. Prüfen Sie bei einer Sammlung mit mehreren Sprachen die tatsächlichen Fragen und Kandidatenpassagen im vorgesehenen Sprachmix, statt allein aus der Bezeichnung „mehrsprachig“ auf gleiche Relevanz zu schließen.
Das Modell v1-4B bettet jeden übergebenen Text unabhängig ein. Werden mehrere Zeichenketten in einem Batch übergeben, wird es dadurch nicht zum eigenständigen Chunk-Encoder context-v1. Wenn das umgebende Dokument die Repräsentation jedes Chunks prägen soll, gehört diese Aufgabe zur kontextuellen Edition und deren eigener Vorbereitung.
Das kleinere pplx-embed-v1-0.6B liefert 1024 Dimensionen, diese 4B-Edition dagegen 2560. Halten Sie ihre genauen Identitäten und Indexrepräsentationen getrennt, sofern kein dokumentierter Kompatibilitätsweg besteht. Das nützliche Ergebnis ist hier ein unabhängiger Vektor für Anfrage oder Quelltext, wobei der Kosinusvergleich und die gewählte quantisierte Repräsentation für die Abrufaufgabe festgehalten werden.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits perplexity/pplx-embed-v1-4b | 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: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter 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 $0.00006 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-v1-4b", "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
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-v1-4b
Verwenden Sie die oben angezeigten Methodenpfade.