{ "aboutHtml": "

pplx-embed-v1-0.6B adalah model embedding independen Perplexity yang lebih kecil dalam keluarga v1. Model mengubah teks kueri atau dokumen menjadi representasi 1024 dimensi untuk temu kembali dan pencarian semantik. Pembuat menjelaskan keluarga berbasis Qwen3 yang diadaptasi melalui prapelatihan lanjutan berbasis difusi, dengan mean pooling dan konteks 32K. Model mengodekan teks yang diberikan secara langsung tanpa prefiks instruksi wajib.

Siapkan rekaman independen

Koleksi yang berguna dapat memuat penjelasan produk, bagian basis pengetahuan, atau catatan penelitian singkat. Berikan setiap teks konteks sumber yang cukup agar dapat dipahami saat dikembalikan pencarian: judul, pernyataan yang dicari, dan kondisi yang mengubah maknanya. Simpan teks asli serta pengenal rekaman bersama embedding hasilnya.

Untuk tugas pencarian catatan, pertanyaan tentang hal yang berubah dalam suatu proses harus menemukan catatan yang menjelaskan perubahan tersebut. Buat embedding pertanyaan sebenarnya dan bandingkan dengan rekaman korpus yang disiapkan. Jangan menambahkan instruksi query/passage dari keluarga model lain secara bawaan; teks langsung adalah persiapan yang didokumentasikan pembuat untuk model ini.

Vektor terkuantisasi dan perbandingan kosinus

Representasi bawaan adalah embedding INT8 yang tidak dinormalisasi. Perplexity secara eksplisit menyarankan kemiripan kosinus untuk perbandingan. Skor hasil kali titik mentah pada keluaran yang tidak dinormalisasi mengubah perbandingan karena besaran vektor ikut berkontribusi. Pilih indeks pencarian dan jalur penilaian yang dapat menafsirkan representasi serta metrik yang dipilih secara bersama-sama.

Representasi biner juga didokumentasikan, dan tabel model mengidentifikasi dukungan Matryoshka. Pilihan representasi ini dapat relevan untuk penyimpanan indeks, tetapi komponen dan byte terkemasnya harus ditafsirkan dengan benar. Keluaran lengkap 1024 dimensi berbeda dari model 4B dengan 2560 dimensi. Perubahan ukuran model atau representasi keluaran harus diperiksa pada sisi kueri dan korpus, bukan dianggap otomatis berada dalam ruang bersama.

Gunakan konteks secara sengaja

Spesifikasi konteks pembuat adalah 32K. Catatan panjang atau bagian dokumen dapat memuat lebih banyak penjelasan sekeliling dibanding encoder berjendela pendek, sementara unit temu kembali tetap membutuhkan tujuan yang jelas. Pilih apakah hasil harus mengembalikan bagian lengkap atau bagian terfokus yang memuat jawaban. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya.

Untuk materi sumber yang lebih besar, simpan pengenal dokumen induk dan versi di luar vektor. Ini memungkinkan hasil pencarian mengarah kembali ke sumber dan teks yang berubah mengganti representasi terkait. Periksa hasil kandidat untuk pertanyaan nyata dalam campuran bahasa tujuan dan pastikan bagian memberikan informasi yang diminta, bukan sekadar membahas topik serupa.

Pisahkan pemrosesan independen dan kontekstual

Kartu model membedakan encoder independen ini dari pplx-embed-context-v1-0.6B. Model kontekstual menggunakan bagian dokumen sekeliling untuk representasi potongan; model v1 biasa merepresentasikan setiap teks yang diberikan secara tersendiri. Daftar string independen tidak membuktikan bahwa pemrosesan potongan kontekstual terjadi.

Keluaran yang berguna adalah representasi korpus atau vektor kueri yang terhubung dengan teks sumber sebenarnya, dengan format INT8 atau biner yang dipilih dan perbandingan kosinus dicatat. Tahap pemeringkatan atau jawaban RAG berikutnya menggunakan teks yang ditemukan sebagai artefak terpisah. Profil ini milik edisi independen 0.6B yang tepat, bukan model 4B atau context-v1.

", "aboutText": "pplx-embed-v1-0.6B adalah model embedding independen Perplexity yang lebih kecil dalam keluarga v1. Model mengubah teks kueri atau dokumen menjadi representasi 1024 dimensi untuk temu kembali dan pencarian semantik. Pembuat menjelaskan keluarga berbasis Qwen3 yang diadaptasi melalui prapelatihan lanjutan berbasis difusi, dengan mean pooling dan konteks 32K. Model mengodekan teks yang diberikan secara langsung tanpa prefiks instruksi wajib.\n\n### Siapkan rekaman independen\n\nKoleksi yang berguna dapat memuat penjelasan produk, bagian basis pengetahuan, atau catatan penelitian singkat. Berikan setiap teks konteks sumber yang cukup agar dapat dipahami saat dikembalikan pencarian: judul, pernyataan yang dicari, dan kondisi yang mengubah maknanya. Simpan teks asli serta pengenal rekaman bersama embedding hasilnya.\n\nUntuk tugas pencarian catatan, pertanyaan tentang hal yang berubah dalam suatu proses harus menemukan catatan yang menjelaskan perubahan tersebut. Buat embedding pertanyaan sebenarnya dan bandingkan dengan rekaman korpus yang disiapkan. Jangan menambahkan instruksi query/passage dari keluarga model lain secara bawaan; teks langsung adalah persiapan yang didokumentasikan pembuat untuk model ini.\n\n### Vektor terkuantisasi dan perbandingan kosinus\n\nRepresentasi bawaan adalah embedding INT8 yang tidak dinormalisasi. Perplexity secara eksplisit menyarankan kemiripan kosinus untuk perbandingan. Skor hasil kali titik mentah pada keluaran yang tidak dinormalisasi mengubah perbandingan karena besaran vektor ikut berkontribusi. Pilih indeks pencarian dan jalur penilaian yang dapat menafsirkan representasi serta metrik yang dipilih secara bersama-sama.\n\nRepresentasi biner juga didokumentasikan, dan tabel model mengidentifikasi dukungan Matryoshka. Pilihan representasi ini dapat relevan untuk penyimpanan indeks, tetapi komponen dan byte terkemasnya harus ditafsirkan dengan benar. Keluaran lengkap 1024 dimensi berbeda dari model 4B dengan 2560 dimensi. Perubahan ukuran model atau representasi keluaran harus diperiksa pada sisi kueri dan korpus, bukan dianggap otomatis berada dalam ruang bersama.\n\n### Gunakan konteks secara sengaja\n\nSpesifikasi konteks pembuat adalah 32K. Catatan panjang atau bagian dokumen dapat memuat lebih banyak penjelasan sekeliling dibanding encoder berjendela pendek, sementara unit temu kembali tetap membutuhkan tujuan yang jelas. Pilih apakah hasil harus mengembalikan bagian lengkap atau bagian terfokus yang memuat jawaban. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya.\n\nUntuk materi sumber yang lebih besar, simpan pengenal dokumen induk dan versi di luar vektor. Ini memungkinkan hasil pencarian mengarah kembali ke sumber dan teks yang berubah mengganti representasi terkait. Periksa hasil kandidat untuk pertanyaan nyata dalam campuran bahasa tujuan dan pastikan bagian memberikan informasi yang diminta, bukan sekadar membahas topik serupa.\n\n### Pisahkan pemrosesan independen dan kontekstual\n\nKartu model membedakan encoder independen ini dari pplx-embed-context-v1-0.6B. Model kontekstual menggunakan bagian dokumen sekeliling untuk representasi potongan; model v1 biasa merepresentasikan setiap teks yang diberikan secara tersendiri. Daftar string independen tidak membuktikan bahwa pemrosesan potongan kontekstual terjadi.\n\nKeluaran yang berguna adalah representasi korpus atau vektor kueri yang terhubung dengan teks sumber sebenarnya, dengan format INT8 atau biner yang dipilih dan perbandingan kosinus dicatat. Tahap pemeringkatan atau jawaban RAG berikutnya menggunakan teks yang ditemukan sebagai artefak terpisah. Profil ini milik edisi independen 0.6B yang tepat, bukan model 4B atau context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ae8cdb0c6f3f9a62b24cb80e50176586cfb5accf00e03448c5f870f4a9ab006b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Perplexity: Embed V1 0.6B

Perplexity /perplexity/pplx-embed-v1-0.6b

Mulai

Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk temu kembali teks multibahasa yang dikodekan secara independen. Konteks 32K, persiapan teks langsung, dan representasi bawaan INT8 atau biner menentukan profil indeks keluarga v1 yang lebih kecil ini.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

pplx-embed-v1-0.6B adalah model embedding independen Perplexity yang lebih kecil dalam keluarga v1. Model mengubah teks kueri atau dokumen menjadi representasi 1024 dimensi untuk temu kembali dan pencarian semantik. Pembuat menjelaskan keluarga berbasis Qwen3 yang diadaptasi melalui prapelatihan lanjutan berbasis difusi, dengan mean pooling dan konteks 32K. Model mengodekan teks yang diberikan secara langsung tanpa prefiks instruksi wajib.

Siapkan rekaman independen

Koleksi yang berguna dapat memuat penjelasan produk, bagian basis pengetahuan, atau catatan penelitian singkat. Berikan setiap teks konteks sumber yang cukup agar dapat dipahami saat dikembalikan pencarian: judul, pernyataan yang dicari, dan kondisi yang mengubah maknanya. Simpan teks asli serta pengenal rekaman bersama embedding hasilnya.

Untuk tugas pencarian catatan, pertanyaan tentang hal yang berubah dalam suatu proses harus menemukan catatan yang menjelaskan perubahan tersebut. Buat embedding pertanyaan sebenarnya dan bandingkan dengan rekaman korpus yang disiapkan. Jangan menambahkan instruksi query/passage dari keluarga model lain secara bawaan; teks langsung adalah persiapan yang didokumentasikan pembuat untuk model ini.

Vektor terkuantisasi dan perbandingan kosinus

Representasi bawaan adalah embedding INT8 yang tidak dinormalisasi. Perplexity secara eksplisit menyarankan kemiripan kosinus untuk perbandingan. Skor hasil kali titik mentah pada keluaran yang tidak dinormalisasi mengubah perbandingan karena besaran vektor ikut berkontribusi. Pilih indeks pencarian dan jalur penilaian yang dapat menafsirkan representasi serta metrik yang dipilih secara bersama-sama.

Representasi biner juga didokumentasikan, dan tabel model mengidentifikasi dukungan Matryoshka. Pilihan representasi ini dapat relevan untuk penyimpanan indeks, tetapi komponen dan byte terkemasnya harus ditafsirkan dengan benar. Keluaran lengkap 1024 dimensi berbeda dari model 4B dengan 2560 dimensi. Perubahan ukuran model atau representasi keluaran harus diperiksa pada sisi kueri dan korpus, bukan dianggap otomatis berada dalam ruang bersama.

Gunakan konteks secara sengaja

Spesifikasi konteks pembuat adalah 32K. Catatan panjang atau bagian dokumen dapat memuat lebih banyak penjelasan sekeliling dibanding encoder berjendela pendek, sementara unit temu kembali tetap membutuhkan tujuan yang jelas. Pilih apakah hasil harus mengembalikan bagian lengkap atau bagian terfokus yang memuat jawaban. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya.

Untuk materi sumber yang lebih besar, simpan pengenal dokumen induk dan versi di luar vektor. Ini memungkinkan hasil pencarian mengarah kembali ke sumber dan teks yang berubah mengganti representasi terkait. Periksa hasil kandidat untuk pertanyaan nyata dalam campuran bahasa tujuan dan pastikan bagian memberikan informasi yang diminta, bukan sekadar membahas topik serupa.

Pisahkan pemrosesan independen dan kontekstual

Kartu model membedakan encoder independen ini dari pplx-embed-context-v1-0.6B. Model kontekstual menggunakan bagian dokumen sekeliling untuk representasi potongan; model v1 biasa merepresentasikan setiap teks yang diberikan secara tersendiri. Daftar string independen tidak membuktikan bahwa pemrosesan potongan kontekstual terjadi.

Keluaran yang berguna adalah representasi korpus atau vektor kueri yang terhubung dengan teks sumber sebenarnya, dengan format INT8 atau biner yang dipilih dan perbandingan kosinus dicatat. Tahap pemeringkatan atau jawaban RAG berikutnya menggunakan teks yang ditemukan sebagai artefak terpisah. Profil ini milik edisi independen 0.6B yang tepat, bukan model 4B atau context-v1.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
32.000 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
perplexity/pplx-embed-v1-0.6b
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 32.000 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak32000
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.000008 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra perplexity/pplx-embed-v1-0.6b

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

perplexity/pplx-embed-v1-0.6b

", "method_identity": { "effective_request_model_id": "perplexity/pplx-embed-v1-0.6b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "perplexity/pplx-embed-v1-0.6b", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|perplexity%2Fpplx-embed-v1-0.6b", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "perplexity/pplx-embed-v1-0.6b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.008, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "perplexity/pplx-embed-v1-0.6b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "perplexity/pplx-embed-v1-0.6b", "nativeProvenance": { "input_facts_canonical_sha256": "c92a4cdc50ebbe4b42f657672849eeae29add8f48c3aaa4e72224b3e7bfa4220", "input_html_sha256": "101a58bf6fc3e8cf756a8d89de6b077622907152c60ec87ba2f3b529438505e4", "private_audit_sha256": "9dce71b2c2adea5ac652c0de01e6487606e56050c95aa4cd3f6e81de57533cec", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/perplexity-pplx-embed-v1-0-6b/", "description": "Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk temu kembali teks multibahasa yang dikodekan secara independen. Konteks 32K, persiapan teks langsung, dan representasi bawaan INT8 atau biner menentukan profil indeks keluarga v1 yang lebih kecil ini.", "locale": "id", "md_url": "https://ailoot.ai/models/id/perplexity-pplx-embed-v1-0-6b/index.md", "title": "Perplexity: Embed V1 0.6B — Ailoot", "url": "https://ailoot.ai/models/id/perplexity-pplx-embed-v1-0-6b/" }, "rawModel": { "about": "pplx-embed-v1-0.6B adalah model embedding independen Perplexity yang lebih kecil dalam keluarga v1. Model mengubah teks kueri atau dokumen menjadi representasi 1024 dimensi untuk temu kembali dan pencarian semantik. Pembuat menjelaskan keluarga berbasis Qwen3 yang diadaptasi melalui prapelatihan lanjutan berbasis difusi, dengan mean pooling dan konteks 32K. Model mengodekan teks yang diberikan secara langsung tanpa prefiks instruksi wajib.\n\n### Siapkan rekaman independen\n\nKoleksi yang berguna dapat memuat penjelasan produk, bagian basis pengetahuan, atau catatan penelitian singkat. Berikan setiap teks konteks sumber yang cukup agar dapat dipahami saat dikembalikan pencarian: judul, pernyataan yang dicari, dan kondisi yang mengubah maknanya. Simpan teks asli serta pengenal rekaman bersama embedding hasilnya.\n\nUntuk tugas pencarian catatan, pertanyaan tentang hal yang berubah dalam suatu proses harus menemukan catatan yang menjelaskan perubahan tersebut. Buat embedding pertanyaan sebenarnya dan bandingkan dengan rekaman korpus yang disiapkan. Jangan menambahkan instruksi query/passage dari keluarga model lain secara bawaan; teks langsung adalah persiapan yang didokumentasikan pembuat untuk model ini.\n\n### Vektor terkuantisasi dan perbandingan kosinus\n\nRepresentasi bawaan adalah embedding INT8 yang tidak dinormalisasi. Perplexity secara eksplisit menyarankan kemiripan kosinus untuk perbandingan. Skor hasil kali titik mentah pada keluaran yang tidak dinormalisasi mengubah perbandingan karena besaran vektor ikut berkontribusi. Pilih indeks pencarian dan jalur penilaian yang dapat menafsirkan representasi serta metrik yang dipilih secara bersama-sama.\n\nRepresentasi biner juga didokumentasikan, dan tabel model mengidentifikasi dukungan Matryoshka. Pilihan representasi ini dapat relevan untuk penyimpanan indeks, tetapi komponen dan byte terkemasnya harus ditafsirkan dengan benar. Keluaran lengkap 1024 dimensi berbeda dari model 4B dengan 2560 dimensi. Perubahan ukuran model atau representasi keluaran harus diperiksa pada sisi kueri dan korpus, bukan dianggap otomatis berada dalam ruang bersama.\n\n### Gunakan konteks secara sengaja\n\nSpesifikasi konteks pembuat adalah 32K. Catatan panjang atau bagian dokumen dapat memuat lebih banyak penjelasan sekeliling dibanding encoder berjendela pendek, sementara unit temu kembali tetap membutuhkan tujuan yang jelas. Pilih apakah hasil harus mengembalikan bagian lengkap atau bagian terfokus yang memuat jawaban. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya.\n\nUntuk materi sumber yang lebih besar, simpan pengenal dokumen induk dan versi di luar vektor. Ini memungkinkan hasil pencarian mengarah kembali ke sumber dan teks yang berubah mengganti representasi terkait. Periksa hasil kandidat untuk pertanyaan nyata dalam campuran bahasa tujuan dan pastikan bagian memberikan informasi yang diminta, bukan sekadar membahas topik serupa.\n\n### Pisahkan pemrosesan independen dan kontekstual\n\nKartu model membedakan encoder independen ini dari pplx-embed-context-v1-0.6B. Model kontekstual menggunakan bagian dokumen sekeliling untuk representasi potongan; model v1 biasa merepresentasikan setiap teks yang diberikan secara tersendiri. Daftar string independen tidak membuktikan bahwa pemrosesan potongan kontekstual terjadi.\n\nKeluaran yang berguna adalah representasi korpus atau vektor kueri yang terhubung dengan teks sumber sebenarnya, dengan format INT8 atau biner yang dipilih dan perbandingan kosinus dicatat. Tahap pemeringkatan atau jawaban RAG berikutnya menggunakan teks yang ditemukan sebagai artefak terpisah. Profil ini milik edisi independen 0.6B yang tepat, bukan model 4B atau context-v1.", "alias_of": null, "aliases": [], "author": "Perplexity", "available": null, "canonical_model": "perplexity/pplx-embed-v1-0.6b", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "perplexity/pplx-embed-v1-0.6b", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "perplexity/pplx-embed-v1-0.6b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.008, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "perplexity/pplx-embed-v1-0.6b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "perplexity/pplx-embed-v1-0.6b", "request_model_id": "perplexity/pplx-embed-v1-0.6b", "route_label": "Ultra" } ], "name": "Perplexity: Embed V1 0.6B", "price": { "in": 0.008, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.008, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.000008000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.000000008", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "perplexity/pplx-embed-v1-0.6b", "short": "Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk temu kembali teks multibahasa yang dikodekan secara independen. Konteks 32K, persiapan teks langsung, dan representasi bawaan INT8 atau biner menentukan profil indeks keluarga v1 yang lebih kecil ini." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk temu kembali teks multibahasa yang dikodekan secara independen. Konteks 32K, persiapan teks langsung, dan representasi bawaan INT8 atau biner menentukan profil indeks keluarga v1 yang lebih kecil ini.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "01b3f09caf7685e7f469ea8dc078ef8e152fa37e9d42dc25fd4e186338ff8ded", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "0b3c40da72933ced6c118664cfabcf1b12c08482929969b91016b413ee7fe72e" }