pplx-embed-v1-0.6B est le plus petit modèle de plongement indépendant de Perplexity dans la famille v1. Il transforme le texte d’une requête ou d’un document en une représentation de 1024 dimensions pour la recherche d’information et la recherche sémantique. Le fabricant décrit une famille fondée sur Qwen3, adaptée par préentraînement continu par diffusion, avec une agrégation par moyenne et un contexte de 32K. Le modèle encode directement le texte fourni, sans préfixe d’instruction obligatoire.
Une collection utile peut contenir des explications produit, des sections de base de connaissances ou de courtes notes de recherche. Donnez à chaque texte assez de contexte source pour qu’il reste compréhensible lorsqu’il est renvoyé par la recherche : un titre, l’énoncé recherché et la condition qui en modifie le sens. Gardez le texte d’origine et l’identifiant de l’enregistrement avec le plongement obtenu.
Pour une tâche de recherche de notes, une question sur ce qui a changé dans un processus doit retrouver la note décrivant ce changement. Encodez la question réelle et comparez-la aux enregistrements préparés du corpus. N’ajoutez pas par défaut l’instruction query/passage d’une autre famille de modèles ; le texte direct est la préparation documentée par le fabricant pour ce modèle.
La représentation native est un plongement INT8 non normalisé. Perplexity recommande explicitement la similarité cosinus pour la comparaison. Un score brut de produit scalaire sur la sortie non normalisée modifie la comparaison, car la norme du vecteur y contribue. Choisissez un index de recherche et une voie de calcul des scores capables d’interpréter ensemble la représentation et la métrique choisies.
La représentation binaire est également documentée, et le tableau des modèles indique la prise en charge de Matryoshka. Ces options de représentation peuvent être pertinentes pour le stockage de l’index, mais leurs composantes et leurs octets compactés doivent être interprétés correctement. La sortie complète de 1024 dimensions est distincte de celle de 2560 dimensions du modèle 4B. Un changement de taille de modèle ou de représentation de sortie doit être vérifié du côté des requêtes et du corpus, plutôt que traité comme un espace commun automatique.
La spécification de contexte du fabricant est de 32K. Une longue note ou une section documentaire peut contenir davantage d’explications environnantes qu’avec un encodeur à fenêtre courte, tandis que l’unité de recherche doit toujours avoir un objectif clair. Choisissez si un résultat doit renvoyer une section entière ou un passage ciblé contenant la réponse. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent.
Pour des sources plus volumineuses, conservez l’identifiant du document parent et sa version en dehors du vecteur. Cela permet au résultat de recherche de mener à la source et au texte modifié de remplacer la représentation correspondante. Examinez les résultats candidats pour de vraies questions dans le mélange linguistique visé et vérifiez que le passage fournit les informations demandées, plutôt que de simplement aborder un sujet similaire.
La fiche du modèle distingue cet encodeur indépendant de pplx-embed-context-v1-0.6B. Le modèle contextuel utilise le document environnant pour représenter les segments ; le modèle v1 ordinaire représente chaque texte fourni de manière autonome. Une liste de chaînes indépendantes n’établit pas qu’un traitement contextuel des segments a eu lieu.
La sortie utile est une représentation du corpus ou un vecteur de requête lié au texte source réel, avec le format INT8 ou binaire choisi et la comparaison cosinus consignés. Une étape ultérieure de classement ou de réponse RAG utilise le texte retrouvé comme un artefact distinct. Ce profil appartient à l’édition indépendante exacte 0.6B, et non aux modèles 4B ou context-v1.
", "aboutText": "pplx-embed-v1-0.6B est le plus petit modèle de plongement indépendant de Perplexity dans la famille v1. Il transforme le texte d’une requête ou d’un document en une représentation de 1024 dimensions pour la recherche d’information et la recherche sémantique. Le fabricant décrit une famille fondée sur Qwen3, adaptée par préentraînement continu par diffusion, avec une agrégation par moyenne et un contexte de 32K. Le modèle encode directement le texte fourni, sans préfixe d’instruction obligatoire.\n\n### Préparer un enregistrement indépendant\n\nUne collection utile peut contenir des explications produit, des sections de base de connaissances ou de courtes notes de recherche. Donnez à chaque texte assez de contexte source pour qu’il reste compréhensible lorsqu’il est renvoyé par la recherche : un titre, l’énoncé recherché et la condition qui en modifie le sens. Gardez le texte d’origine et l’identifiant de l’enregistrement avec le plongement obtenu.\n\nPour une tâche de recherche de notes, une question sur ce qui a changé dans un processus doit retrouver la note décrivant ce changement. Encodez la question réelle et comparez-la aux enregistrements préparés du corpus. N’ajoutez pas par défaut l’instruction query/passage d’une autre famille de modèles ; le texte direct est la préparation documentée par le fabricant pour ce modèle.\n\n### Vecteurs quantifiés et comparaison cosinus\n\nLa représentation native est un plongement INT8 non normalisé. Perplexity recommande explicitement la similarité cosinus pour la comparaison. Un score brut de produit scalaire sur la sortie non normalisée modifie la comparaison, car la norme du vecteur y contribue. Choisissez un index de recherche et une voie de calcul des scores capables d’interpréter ensemble la représentation et la métrique choisies.\n\nLa représentation binaire est également documentée, et le tableau des modèles indique la prise en charge de Matryoshka. Ces options de représentation peuvent être pertinentes pour le stockage de l’index, mais leurs composantes et leurs octets compactés doivent être interprétés correctement. La sortie complète de 1024 dimensions est distincte de celle de 2560 dimensions du modèle 4B. Un changement de taille de modèle ou de représentation de sortie doit être vérifié du côté des requêtes et du corpus, plutôt que traité comme un espace commun automatique.\n\n### Utiliser le contexte délibérément\n\nLa spécification de contexte du fabricant est de 32K. Une longue note ou une section documentaire peut contenir davantage d’explications environnantes qu’avec un encodeur à fenêtre courte, tandis que l’unité de recherche doit toujours avoir un objectif clair. Choisissez si un résultat doit renvoyer une section entière ou un passage ciblé contenant la réponse. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent.\n\nPour des sources plus volumineuses, conservez l’identifiant du document parent et sa version en dehors du vecteur. Cela permet au résultat de recherche de mener à la source et au texte modifié de remplacer la représentation correspondante. Examinez les résultats candidats pour de vraies questions dans le mélange linguistique visé et vérifiez que le passage fournit les informations demandées, plutôt que de simplement aborder un sujet similaire.\n\n### Séparer les traitements indépendant et contextuel\n\nLa fiche du modèle distingue cet encodeur indépendant de pplx-embed-context-v1-0.6B. Le modèle contextuel utilise le document environnant pour représenter les segments ; le modèle v1 ordinaire représente chaque texte fourni de manière autonome. Une liste de chaînes indépendantes n’établit pas qu’un traitement contextuel des segments a eu lieu.\n\nLa sortie utile est une représentation du corpus ou un vecteur de requête lié au texte source réel, avec le format INT8 ou binaire choisi et la comparaison cosinus consignés. Une étape ultérieure de classement ou de réponse RAG utilise le texte retrouvé comme un artefact distinct. Ce profil appartient à l’édition indépendante exacte 0.6B, et non aux modèles 4B ou context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "95b7064e9e244cf62cae87ba65fc59afa080e49eefe60f5f34a4437e56439ec1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B produit des plongements de 1024 dimensions pour la recherche textuelle multilingue indépendante. Son contexte de 32K, sa préparation directe du texte et ses représentations natives INT8 ou binaires définissent un profil d’index plus petit de la famille v1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
pplx-embed-v1-0.6B est le plus petit modèle de plongement indépendant de Perplexity dans la famille v1. Il transforme le texte d’une requête ou d’un document en une représentation de 1024 dimensions pour la recherche d’information et la recherche sémantique. Le fabricant décrit une famille fondée sur Qwen3, adaptée par préentraînement continu par diffusion, avec une agrégation par moyenne et un contexte de 32K. Le modèle encode directement le texte fourni, sans préfixe d’instruction obligatoire.
Une collection utile peut contenir des explications produit, des sections de base de connaissances ou de courtes notes de recherche. Donnez à chaque texte assez de contexte source pour qu’il reste compréhensible lorsqu’il est renvoyé par la recherche : un titre, l’énoncé recherché et la condition qui en modifie le sens. Gardez le texte d’origine et l’identifiant de l’enregistrement avec le plongement obtenu.
Pour une tâche de recherche de notes, une question sur ce qui a changé dans un processus doit retrouver la note décrivant ce changement. Encodez la question réelle et comparez-la aux enregistrements préparés du corpus. N’ajoutez pas par défaut l’instruction query/passage d’une autre famille de modèles ; le texte direct est la préparation documentée par le fabricant pour ce modèle.
La représentation native est un plongement INT8 non normalisé. Perplexity recommande explicitement la similarité cosinus pour la comparaison. Un score brut de produit scalaire sur la sortie non normalisée modifie la comparaison, car la norme du vecteur y contribue. Choisissez un index de recherche et une voie de calcul des scores capables d’interpréter ensemble la représentation et la métrique choisies.
La représentation binaire est également documentée, et le tableau des modèles indique la prise en charge de Matryoshka. Ces options de représentation peuvent être pertinentes pour le stockage de l’index, mais leurs composantes et leurs octets compactés doivent être interprétés correctement. La sortie complète de 1024 dimensions est distincte de celle de 2560 dimensions du modèle 4B. Un changement de taille de modèle ou de représentation de sortie doit être vérifié du côté des requêtes et du corpus, plutôt que traité comme un espace commun automatique.
La spécification de contexte du fabricant est de 32K. Une longue note ou une section documentaire peut contenir davantage d’explications environnantes qu’avec un encodeur à fenêtre courte, tandis que l’unité de recherche doit toujours avoir un objectif clair. Choisissez si un résultat doit renvoyer une section entière ou un passage ciblé contenant la réponse. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent.
Pour des sources plus volumineuses, conservez l’identifiant du document parent et sa version en dehors du vecteur. Cela permet au résultat de recherche de mener à la source et au texte modifié de remplacer la représentation correspondante. Examinez les résultats candidats pour de vraies questions dans le mélange linguistique visé et vérifiez que le passage fournit les informations demandées, plutôt que de simplement aborder un sujet similaire.
La fiche du modèle distingue cet encodeur indépendant de pplx-embed-context-v1-0.6B. Le modèle contextuel utilise le document environnant pour représenter les segments ; le modèle v1 ordinaire représente chaque texte fourni de manière autonome. Une liste de chaînes indépendantes n’établit pas qu’un traitement contextuel des segments a eu lieu.
La sortie utile est une représentation du corpus ou un vecteur de requête lié au texte source réel, avec le format INT8 ou binaire choisi et la comparaison cosinus consignés. Une étape ultérieure de classement ou de réponse RAG utilise le texte retrouvé comme un artefact distinct. Ce profil appartient à l’édition indépendante exacte 0.6B, et non aux modèles 4B ou context-v1.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites perplexity/pplx-embed-v1-0.6b | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 32 000 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat32000 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, token_ids |
Cycle de vie : synchronous_json
Conservez tous les indices et toutes les dimensions des vecteurs.
Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000008 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Utilisez les chemins de méthode indiqués ci-dessus.