pplx-embed-v1-0.6B es el modelo más pequeño de embeddings independientes de Perplexity en la familia v1. Convierte el texto de consulta o documento en una representación de 1024 dimensiones para recuperación y búsqueda semántica. El fabricante describe una familia basada en Qwen3 adaptada mediante preentrenamiento continuo por difusión, con mean pooling y un contexto de 32K. El modelo codifica directamente el texto proporcionado, sin un prefijo de instrucciones obligatorio.
Una colección útil puede contener explicaciones de productos, secciones de una base de conocimiento o notas cortas de investigación. Da a cada texto suficiente contexto de origen para entenderlo cuando lo devuelva la búsqueda: un encabezado, la afirmación que se busca y la condición que cambia su significado. Mantén el texto original y el identificador del registro junto con el embedding resultante.
Para una tarea de búsqueda de notas, una pregunta sobre qué cambió en un proceso debe recuperar la nota que describe ese cambio. Genera el embedding de la pregunta real y compáralo con los registros preparados del corpus. No añadas por defecto la instrucción de consulta/pasaje de otra familia de modelos; el texto directo es la preparación documentada por el fabricante para este modelo.
La representación nativa es un embedding INT8 sin normalizar. Perplexity recomienda expresamente la similaridad del coseno para la comparación. Una puntuación de producto escalar en bruto sobre la salida sin normalizar cambia la comparación porque contribuye la magnitud del vector. Selecciona un índice de búsqueda y una vía de puntuación que puedan interpretar conjuntamente la representación y la métrica elegidas.
La representación binaria también está documentada y la tabla del modelo identifica compatibilidad con Matryoshka. Esas opciones de representación pueden ser pertinentes para el almacenamiento del índice, pero sus componentes y bytes empaquetados deben interpretarse correctamente. La salida completa de 1024 dimensiones es distinta de la del modelo 4B de 2560 dimensiones. Un cambio de tamaño de modelo o representación de salida debe comprobarse en los lados de consulta y corpus, en lugar de tratarse automáticamente como un espacio común.
La especificación de contexto del fabricante es de 32K. Una nota larga o una sección documental puede incluir más explicación circundante que un codificador de ventana corta, mientras que la unidad de recuperación sigue necesitando un propósito claro. Elige si un resultado debe devolver una sección completa o un pasaje específico que contenga la respuesta. Conserva las definiciones y excepciones junto a la afirmación que matizan.
Para material de origen más grande, mantén el identificador del documento principal y la versión fuera del vector. Esto permite que el resultado de búsqueda conduzca de vuelta a la fuente y que el texto modificado sustituya su representación correspondiente. Examina los resultados candidatos para preguntas reales de la combinación lingüística prevista y verifica que el pasaje aporte la información solicitada, en lugar de limitarse a hablar de un tema parecido.
La ficha del modelo distingue este codificador independiente de pplx-embed-context-v1-0.6B. El modelo contextual utiliza el entorno documental para las representaciones de fragmentos; el modelo v1 ordinario representa cada texto proporcionado por separado. Una lista de cadenas independientes no establece que haya ocurrido procesamiento contextual de fragmentos.
La salida útil es una representación del corpus o un vector de consulta conectado con el texto de origen real, con el formato INT8 o binario seleccionado y la comparación por coseno registrados. Una etapa posterior de ordenación o respuesta RAG utiliza el texto recuperado como un artefacto separado. Este perfil pertenece a la edición independiente exacta 0.6B, no a los modelos 4B ni context-v1.
", "aboutText": "pplx-embed-v1-0.6B es el modelo más pequeño de embeddings independientes de Perplexity en la familia v1. Convierte el texto de consulta o documento en una representación de 1024 dimensiones para recuperación y búsqueda semántica. El fabricante describe una familia basada en Qwen3 adaptada mediante preentrenamiento continuo por difusión, con mean pooling y un contexto de 32K. El modelo codifica directamente el texto proporcionado, sin un prefijo de instrucciones obligatorio.\n\n### Prepara un registro independiente\n\nUna colección útil puede contener explicaciones de productos, secciones de una base de conocimiento o notas cortas de investigación. Da a cada texto suficiente contexto de origen para entenderlo cuando lo devuelva la búsqueda: un encabezado, la afirmación que se busca y la condición que cambia su significado. Mantén el texto original y el identificador del registro junto con el embedding resultante.\n\nPara una tarea de búsqueda de notas, una pregunta sobre qué cambió en un proceso debe recuperar la nota que describe ese cambio. Genera el embedding de la pregunta real y compáralo con los registros preparados del corpus. No añadas por defecto la instrucción de consulta/pasaje de otra familia de modelos; el texto directo es la preparación documentada por el fabricante para este modelo.\n\n### Vectores cuantizados y comparación por coseno\n\nLa representación nativa es un embedding INT8 sin normalizar. Perplexity recomienda expresamente la similaridad del coseno para la comparación. Una puntuación de producto escalar en bruto sobre la salida sin normalizar cambia la comparación porque contribuye la magnitud del vector. Selecciona un índice de búsqueda y una vía de puntuación que puedan interpretar conjuntamente la representación y la métrica elegidas.\n\nLa representación binaria también está documentada y la tabla del modelo identifica compatibilidad con Matryoshka. Esas opciones de representación pueden ser pertinentes para el almacenamiento del índice, pero sus componentes y bytes empaquetados deben interpretarse correctamente. La salida completa de 1024 dimensiones es distinta de la del modelo 4B de 2560 dimensiones. Un cambio de tamaño de modelo o representación de salida debe comprobarse en los lados de consulta y corpus, en lugar de tratarse automáticamente como un espacio común.\n\n### Utiliza el contexto de forma deliberada\n\nLa especificación de contexto del fabricante es de 32K. Una nota larga o una sección documental puede incluir más explicación circundante que un codificador de ventana corta, mientras que la unidad de recuperación sigue necesitando un propósito claro. Elige si un resultado debe devolver una sección completa o un pasaje específico que contenga la respuesta. Conserva las definiciones y excepciones junto a la afirmación que matizan.\n\nPara material de origen más grande, mantén el identificador del documento principal y la versión fuera del vector. Esto permite que el resultado de búsqueda conduzca de vuelta a la fuente y que el texto modificado sustituya su representación correspondiente. Examina los resultados candidatos para preguntas reales de la combinación lingüística prevista y verifica que el pasaje aporte la información solicitada, en lugar de limitarse a hablar de un tema parecido.\n\n### Separa el procesamiento independiente del contextual\n\nLa ficha del modelo distingue este codificador independiente de pplx-embed-context-v1-0.6B. El modelo contextual utiliza el entorno documental para las representaciones de fragmentos; el modelo v1 ordinario representa cada texto proporcionado por separado. Una lista de cadenas independientes no establece que haya ocurrido procesamiento contextual de fragmentos.\n\nLa salida útil es una representación del corpus o un vector de consulta conectado con el texto de origen real, con el formato INT8 o binario seleccionado y la comparación por coseno registrados. Una etapa posterior de ordenación o respuesta RAG utiliza el texto recuperado como un artefacto separado. Este perfil pertenece a la edición independiente exacta 0.6B, no a los modelos 4B ni context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ba8e353749da8a8b8c35c43655cde944da0dc25bcd93d09d9172c1fc681cfc2e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B produce embeddings de 1024 dimensiones para recuperación independiente de texto multilingüe. Su contexto de 32K, preparación directa del texto y representaciones nativas INT8 o binarias definen un perfil de índice más pequeño de la familia v1.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
pplx-embed-v1-0.6B es el modelo más pequeño de embeddings independientes de Perplexity en la familia v1. Convierte el texto de consulta o documento en una representación de 1024 dimensiones para recuperación y búsqueda semántica. El fabricante describe una familia basada en Qwen3 adaptada mediante preentrenamiento continuo por difusión, con mean pooling y un contexto de 32K. El modelo codifica directamente el texto proporcionado, sin un prefijo de instrucciones obligatorio.
Una colección útil puede contener explicaciones de productos, secciones de una base de conocimiento o notas cortas de investigación. Da a cada texto suficiente contexto de origen para entenderlo cuando lo devuelva la búsqueda: un encabezado, la afirmación que se busca y la condición que cambia su significado. Mantén el texto original y el identificador del registro junto con el embedding resultante.
Para una tarea de búsqueda de notas, una pregunta sobre qué cambió en un proceso debe recuperar la nota que describe ese cambio. Genera el embedding de la pregunta real y compáralo con los registros preparados del corpus. No añadas por defecto la instrucción de consulta/pasaje de otra familia de modelos; el texto directo es la preparación documentada por el fabricante para este modelo.
La representación nativa es un embedding INT8 sin normalizar. Perplexity recomienda expresamente la similaridad del coseno para la comparación. Una puntuación de producto escalar en bruto sobre la salida sin normalizar cambia la comparación porque contribuye la magnitud del vector. Selecciona un índice de búsqueda y una vía de puntuación que puedan interpretar conjuntamente la representación y la métrica elegidas.
La representación binaria también está documentada y la tabla del modelo identifica compatibilidad con Matryoshka. Esas opciones de representación pueden ser pertinentes para el almacenamiento del índice, pero sus componentes y bytes empaquetados deben interpretarse correctamente. La salida completa de 1024 dimensiones es distinta de la del modelo 4B de 2560 dimensiones. Un cambio de tamaño de modelo o representación de salida debe comprobarse en los lados de consulta y corpus, en lugar de tratarse automáticamente como un espacio común.
La especificación de contexto del fabricante es de 32K. Una nota larga o una sección documental puede incluir más explicación circundante que un codificador de ventana corta, mientras que la unidad de recuperación sigue necesitando un propósito claro. Elige si un resultado debe devolver una sección completa o un pasaje específico que contenga la respuesta. Conserva las definiciones y excepciones junto a la afirmación que matizan.
Para material de origen más grande, mantén el identificador del documento principal y la versión fuera del vector. Esto permite que el resultado de búsqueda conduzca de vuelta a la fuente y que el texto modificado sustituya su representación correspondiente. Examina los resultados candidatos para preguntas reales de la combinación lingüística prevista y verifica que el pasaje aporte la información solicitada, en lugar de limitarse a hablar de un tema parecido.
La ficha del modelo distingue este codificador independiente de pplx-embed-context-v1-0.6B. El modelo contextual utiliza el entorno documental para las representaciones de fragmentos; el modelo v1 ordinario representa cada texto proporcionado por separado. Una lista de cadenas independientes no establece que haya ocurrido procesamiento contextual de fragmentos.
La salida útil es una representación del corpus o un vector de consulta conectado con el texto de origen real, con el formato INT8 o binario seleccionado y la comparación por coseno registrados. Una etapa posterior de ordenación o respuesta RAG utiliza el texto recuperado como un artefacto separado. Este perfil pertenece a la edición independiente exacta 0.6B, no a los modelos 4B ni context-v1.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites perplexity/pplx-embed-v1-0.6b | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 32,000 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato32000 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000008 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Usa las rutas de método indicadas arriba.