pplx-embed-v1-4B es la edición más grande de embeddings textuales independientes de Perplexity en la familia v1. Representa consultas o documentos como vectores de 2560 dimensiones para búsqueda semántica y recuperación. El fabricante construye la familia sobre Qwen3 con preentrenamiento continuo por difusión y utiliza mean pooling para la representación textual. Este codificador independiente es distinto de pplx-embed-context-v1, que representa fragmentos documentales utilizando el contexto circundante.
El modelo no exige una cadena de instrucciones ni un prefijo de consulta/pasaje. Prepara el texto que quieres representar, en lugar de añadir una convención de roles tomada de otra familia. Una colección de búsqueda puede contener documentos de origen, pasajes específicos o registros textuales cortos. Mantén la formulación original y el identificador de cada elemento junto a su vector para que un resultado recuperado siga siendo legible y trazable.
Una tarea práctica es recuperar una sección de una explicación técnica para una pregunta sobre sus condiciones. Conserva juntos el encabezado de sección, la regla y la excepción. Se genera el embedding de la formulación de la consulta de forma independiente y después se compara con las representaciones preparadas del corpus. Una etapa RAG posterior utiliza el texto del pasaje devuelto, no el propio vector, como material de origen.
El fabricante afirma expresamente que los embeddings nativos no están normalizados y están cuantizados en INT8. Compáralos mediante similaridad del coseno. Un producto escalar en bruto sobre estos valores sin normalizar no es el equivalente documentado de la comparación por coseno. Por tanto, el tipo de representación y la función de similaridad deben mantenerse juntos al elegir cómo almacena y compara la salida un índice de búsqueda.
La ficha del modelo también documenta salida binaria e indica compatibilidad con representaciones Matryoshka. Los componentes binarios y su almacenamiento empaquetado son distintos de los arrays ordinarios de coma flotante, por lo que el índice debe interpretar la representación seleccionada. La dimensión completa del embedding describe los componentes de la representación, no la cantidad de bytes de todas las codificaciones. Mantén coherentes la dimensión y el tipo de salida entre los lados de consulta y documento.
El contexto publicado del modelo es de 32K. Esto permite representar una cantidad considerable de texto, mientras que la granularidad de los pasajes debe seguir lo que la búsqueda pretende devolver. Una sección completa puede conservar una definición y sus matices; un extracto específico puede señalar directamente una instrucción. El material demasiado grande debe prepararse según la ventana de entrada elegida, en lugar de suponer que su parte final omitida sigue representada.
Conserva un identificador del documento principal y la versión de origen fuera del vector. Si el texto cambia, actualiza la representación correspondiente del corpus y mantén la conexión con la fuente nueva. Para una colección con varios idiomas, examina las preguntas reales y los pasajes candidatos en la combinación lingüística prevista, en lugar de inferir la misma relevancia solo a partir de una etiqueta multilingüe.
El modelo v1-4B genera el embedding de cada texto proporcionado de forma independiente. Añadir varias cadenas a un lote no lo convierte en el codificador separado de fragmentos context-v1. Cuando el documento circundante debe influir en la representación de cada fragmento, esa tarea pertenece a la edición contextual y a su propia preparación.
El modelo más pequeño pplx-embed-v1-0.6B devuelve 1024 dimensiones, mientras que esta edición 4B devuelve 2560. Mantén separadas sus identidades exactas y representaciones de índice, salvo que se establezca una vía documentada de compatibilidad. El resultado útil aquí es un vector independiente de consulta o texto de origen, con la comparación por coseno y la representación cuantizada seleccionada registradas para la tarea de recuperación.
", "aboutText": "pplx-embed-v1-4B es la edición más grande de embeddings textuales independientes de Perplexity en la familia v1. Representa consultas o documentos como vectores de 2560 dimensiones para búsqueda semántica y recuperación. El fabricante construye la familia sobre Qwen3 con preentrenamiento continuo por difusión y utiliza mean pooling para la representación textual. Este codificador independiente es distinto de pplx-embed-context-v1, que representa fragmentos documentales utilizando el contexto circundante.\n\n### Genera directamente el embedding del texto real\n\nEl modelo no exige una cadena de instrucciones ni un prefijo de consulta/pasaje. Prepara el texto que quieres representar, en lugar de añadir una convención de roles tomada de otra familia. Una colección de búsqueda puede contener documentos de origen, pasajes específicos o registros textuales cortos. Mantén la formulación original y el identificador de cada elemento junto a su vector para que un resultado recuperado siga siendo legible y trazable.\n\nUna tarea práctica es recuperar una sección de una explicación técnica para una pregunta sobre sus condiciones. Conserva juntos el encabezado de sección, la regla y la excepción. Se genera el embedding de la formulación de la consulta de forma independiente y después se compara con las representaciones preparadas del corpus. Una etapa RAG posterior utiliza el texto del pasaje devuelto, no el propio vector, como material de origen.\n\n### Representación nativa y comparación\n\nEl fabricante afirma expresamente que los embeddings nativos no están normalizados y están cuantizados en INT8. Compáralos mediante similaridad del coseno. Un producto escalar en bruto sobre estos valores sin normalizar no es el equivalente documentado de la comparación por coseno. Por tanto, el tipo de representación y la función de similaridad deben mantenerse juntos al elegir cómo almacena y compara la salida un índice de búsqueda.\n\nLa ficha del modelo también documenta salida binaria e indica compatibilidad con representaciones Matryoshka. Los componentes binarios y su almacenamiento empaquetado son distintos de los arrays ordinarios de coma flotante, por lo que el índice debe interpretar la representación seleccionada. La dimensión completa del embedding describe los componentes de la representación, no la cantidad de bytes de todas las codificaciones. Mantén coherentes la dimensión y el tipo de salida entre los lados de consulta y documento.\n\n### Longitud y límites documentales\n\nEl contexto publicado del modelo es de 32K. Esto permite representar una cantidad considerable de texto, mientras que la granularidad de los pasajes debe seguir lo que la búsqueda pretende devolver. Una sección completa puede conservar una definición y sus matices; un extracto específico puede señalar directamente una instrucción. El material demasiado grande debe prepararse según la ventana de entrada elegida, en lugar de suponer que su parte final omitida sigue representada.\n\nConserva un identificador del documento principal y la versión de origen fuera del vector. Si el texto cambia, actualiza la representación correspondiente del corpus y mantén la conexión con la fuente nueva. Para una colección con varios idiomas, examina las preguntas reales y los pasajes candidatos en la combinación lingüística prevista, en lugar de inferir la misma relevancia solo a partir de una etiqueta multilingüe.\n\n### Ediciones independientes y contextuales\n\nEl modelo v1-4B genera el embedding de cada texto proporcionado de forma independiente. Añadir varias cadenas a un lote no lo convierte en el codificador separado de fragmentos context-v1. Cuando el documento circundante debe influir en la representación de cada fragmento, esa tarea pertenece a la edición contextual y a su propia preparación.\n\nEl modelo más pequeño pplx-embed-v1-0.6B devuelve 1024 dimensiones, mientras que esta edición 4B devuelve 2560. Mantén separadas sus identidades exactas y representaciones de índice, salvo que se establezca una vía documentada de compatibilidad. El resultado útil aquí es un vector independiente de consulta o texto de origen, con la comparación por coseno y la representación cuantizada seleccionada registradas para la tarea de recuperación.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "457b7e5f55f668b25abad4770c0f6f76898010327e8e588acd4095e4b1a507d9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B codifica textos independientes en vectores de recuperación de 2560 dimensiones, con un contexto de 32K. No requiere un prefijo de instrucción y produce de forma nativa embeddings INT8 sin normalizar, que se comparan mediante similitud coseno.
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-v1-4B es la edición más grande de embeddings textuales independientes de Perplexity en la familia v1. Representa consultas o documentos como vectores de 2560 dimensiones para búsqueda semántica y recuperación. El fabricante construye la familia sobre Qwen3 con preentrenamiento continuo por difusión y utiliza mean pooling para la representación textual. Este codificador independiente es distinto de pplx-embed-context-v1, que representa fragmentos documentales utilizando el contexto circundante.
El modelo no exige una cadena de instrucciones ni un prefijo de consulta/pasaje. Prepara el texto que quieres representar, en lugar de añadir una convención de roles tomada de otra familia. Una colección de búsqueda puede contener documentos de origen, pasajes específicos o registros textuales cortos. Mantén la formulación original y el identificador de cada elemento junto a su vector para que un resultado recuperado siga siendo legible y trazable.
Una tarea práctica es recuperar una sección de una explicación técnica para una pregunta sobre sus condiciones. Conserva juntos el encabezado de sección, la regla y la excepción. Se genera el embedding de la formulación de la consulta de forma independiente y después se compara con las representaciones preparadas del corpus. Una etapa RAG posterior utiliza el texto del pasaje devuelto, no el propio vector, como material de origen.
El fabricante afirma expresamente que los embeddings nativos no están normalizados y están cuantizados en INT8. Compáralos mediante similaridad del coseno. Un producto escalar en bruto sobre estos valores sin normalizar no es el equivalente documentado de la comparación por coseno. Por tanto, el tipo de representación y la función de similaridad deben mantenerse juntos al elegir cómo almacena y compara la salida un índice de búsqueda.
La ficha del modelo también documenta salida binaria e indica compatibilidad con representaciones Matryoshka. Los componentes binarios y su almacenamiento empaquetado son distintos de los arrays ordinarios de coma flotante, por lo que el índice debe interpretar la representación seleccionada. La dimensión completa del embedding describe los componentes de la representación, no la cantidad de bytes de todas las codificaciones. Mantén coherentes la dimensión y el tipo de salida entre los lados de consulta y documento.
El contexto publicado del modelo es de 32K. Esto permite representar una cantidad considerable de texto, mientras que la granularidad de los pasajes debe seguir lo que la búsqueda pretende devolver. Una sección completa puede conservar una definición y sus matices; un extracto específico puede señalar directamente una instrucción. El material demasiado grande debe prepararse según la ventana de entrada elegida, en lugar de suponer que su parte final omitida sigue representada.
Conserva un identificador del documento principal y la versión de origen fuera del vector. Si el texto cambia, actualiza la representación correspondiente del corpus y mantén la conexión con la fuente nueva. Para una colección con varios idiomas, examina las preguntas reales y los pasajes candidatos en la combinación lingüística prevista, en lugar de inferir la misma relevancia solo a partir de una etiqueta multilingüe.
El modelo v1-4B genera el embedding de cada texto proporcionado de forma independiente. Añadir varias cadenas a un lote no lo convierte en el codificador separado de fragmentos context-v1. Cuando el documento circundante debe influir en la representación de cada fragmento, esa tarea pertenece a la edición contextual y a su propia preparación.
El modelo más pequeño pplx-embed-v1-0.6B devuelve 1024 dimensiones, mientras que esta edición 4B devuelve 2560. Mantén separadas sus identidades exactas y representaciones de índice, salvo que se establezca una vía documentada de compatibilidad. El resultado útil aquí es un vector independiente de consulta o texto de origen, con la comparación por coseno y la representación cuantizada seleccionada registradas para la tarea de recuperación.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites perplexity/pplx-embed-v1-4b | 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 array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
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 $0.00006 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-v1-4b", "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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos 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-v1-4b
Usa las rutas de método indicadas arriba.