pplx-embed-v1-4B adalah edisi embedding teks independen Perplexity yang lebih besar dalam keluarga v1. Model merepresentasikan kueri atau dokumen sebagai vektor 2560 dimensi untuk pencarian semantik dan temu kembali. Produsen membangun keluarga ini di atas Qwen3 dengan prapelatihan lanjutan berbasis difusi dan menggunakan mean pooling untuk representasi teks. Encoder independen ini berbeda dari pplx-embed-context-v1, yang merepresentasikan potongan dokumen menggunakan konteks sekelilingnya.
Model tidak membutuhkan string instruksi atau prefiks query/passage. Siapkan teks yang ingin direpresentasikan alih-alih menambahkan konvensi peran dari keluarga lain. Koleksi pencarian dapat memuat dokumen sumber, bagian terfokus, atau rekaman teks pendek. Simpan pilihan kata asli dan pengenal setiap item di samping vektornya agar hasil temu kembali tetap dapat dibaca dan ditelusuri.
Tugas praktisnya adalah menemukan bagian penjelasan teknis untuk pertanyaan tentang kondisinya. Pertahankan judul bagian, aturan, dan pengecualian bersama-sama. Pilihan kata kueri dibuat embedding-nya secara independen, lalu dibandingkan dengan representasi korpus yang disiapkan. Tahap RAG berikutnya menggunakan teks bagian hasil, bukan vektor itu sendiri, sebagai materi sumber.
Pembuat secara eksplisit menyatakan bahwa embedding bawaan tidak dinormalisasi dan dikuantisasi INT8. Bandingkan embedding tersebut menggunakan kemiripan kosinus. Hasil kali titik mentah pada nilai yang tidak dinormalisasi ini bukan padanan perbandingan kosinus yang didokumentasikan. Karena itu, jenis representasi dan fungsi kemiripan harus dipertimbangkan bersama saat memilih cara indeks pencarian menyimpan serta membandingkan keluaran.
Kartu model juga mendokumentasikan keluaran biner dan menandai dukungan representasi Matryoshka. Komponen biner dan penyimpanannya dalam bentuk terkemas berbeda dari larik floating-point biasa, sehingga indeks harus menafsirkan representasi yang dipilih. Dimensi embedding lengkap menjelaskan komponen representasi, bukan jumlah byte dalam setiap pengodean. Pertahankan konsistensi dimensi dan jenis keluaran pada sisi kueri maupun dokumen.
Konteks model yang diterbitkan adalah 32K. Ini memungkinkan representasi teks yang cukup besar, sementara tingkat perincian bagian tetap harus mengikuti hasil yang perlu dikembalikan pencarian. Bagian lengkap dapat mempertahankan definisi serta kondisi dan batasannya; kutipan terfokus dapat langsung menunjuk instruksi. Materi terlalu besar harus disiapkan berdasarkan jendela masukan yang dipilih alih-alih menganggap bagian akhir yang dihilangkan masih direpresentasikan.
Simpan pengenal dokumen induk dan versi sumber di luar vektor. Jika teks berubah, perbarui representasi korpus terkait dan pertahankan hubungan dengan sumber baru. Untuk koleksi yang memuat beberapa bahasa, periksa pertanyaan sebenarnya dan bagian kandidat dalam campuran bahasa tujuan alih-alih menyimpulkan relevansi setara hanya dari label multibahasa.
Model v1-4B membuat embedding setiap teks yang diberikan secara independen. Menambahkan beberapa string ke sebuah batch tidak menjadikannya encoder potongan context-v1 yang terpisah. Ketika dokumen sekeliling harus membentuk representasi setiap potongan, tugas tersebut milik edisi kontekstual dengan persiapannya sendiri.
pplx-embed-v1-0.6B yang lebih kecil mengembalikan 1024 dimensi, sedangkan edisi 4B ini mengembalikan 2560. Pisahkan identitas tepat dan representasi indeksnya kecuali jalur kompatibilitas yang didokumentasikan telah ditetapkan. Hasil yang berguna di sini adalah vektor kueri atau teks sumber independen, dengan perbandingan kosinus dan representasi terkuantisasi yang dipilih dicatat untuk tugas temu kembali.
", "aboutText": "pplx-embed-v1-4B adalah edisi embedding teks independen Perplexity yang lebih besar dalam keluarga v1. Model merepresentasikan kueri atau dokumen sebagai vektor 2560 dimensi untuk pencarian semantik dan temu kembali. Produsen membangun keluarga ini di atas Qwen3 dengan prapelatihan lanjutan berbasis difusi dan menggunakan mean pooling untuk representasi teks. Encoder independen ini berbeda dari pplx-embed-context-v1, yang merepresentasikan potongan dokumen menggunakan konteks sekelilingnya.\n\n### Buat embedding teks sebenarnya secara langsung\n\nModel tidak membutuhkan string instruksi atau prefiks query/passage. Siapkan teks yang ingin direpresentasikan alih-alih menambahkan konvensi peran dari keluarga lain. Koleksi pencarian dapat memuat dokumen sumber, bagian terfokus, atau rekaman teks pendek. Simpan pilihan kata asli dan pengenal setiap item di samping vektornya agar hasil temu kembali tetap dapat dibaca dan ditelusuri.\n\nTugas praktisnya adalah menemukan bagian penjelasan teknis untuk pertanyaan tentang kondisinya. Pertahankan judul bagian, aturan, dan pengecualian bersama-sama. Pilihan kata kueri dibuat embedding-nya secara independen, lalu dibandingkan dengan representasi korpus yang disiapkan. Tahap RAG berikutnya menggunakan teks bagian hasil, bukan vektor itu sendiri, sebagai materi sumber.\n\n### Representasi bawaan dan perbandingan\n\nPembuat secara eksplisit menyatakan bahwa embedding bawaan tidak dinormalisasi dan dikuantisasi INT8. Bandingkan embedding tersebut menggunakan kemiripan kosinus. Hasil kali titik mentah pada nilai yang tidak dinormalisasi ini bukan padanan perbandingan kosinus yang didokumentasikan. Karena itu, jenis representasi dan fungsi kemiripan harus dipertimbangkan bersama saat memilih cara indeks pencarian menyimpan serta membandingkan keluaran.\n\nKartu model juga mendokumentasikan keluaran biner dan menandai dukungan representasi Matryoshka. Komponen biner dan penyimpanannya dalam bentuk terkemas berbeda dari larik floating-point biasa, sehingga indeks harus menafsirkan representasi yang dipilih. Dimensi embedding lengkap menjelaskan komponen representasi, bukan jumlah byte dalam setiap pengodean. Pertahankan konsistensi dimensi dan jenis keluaran pada sisi kueri maupun dokumen.\n\n### Panjang dan batas dokumen\n\nKonteks model yang diterbitkan adalah 32K. Ini memungkinkan representasi teks yang cukup besar, sementara tingkat perincian bagian tetap harus mengikuti hasil yang perlu dikembalikan pencarian. Bagian lengkap dapat mempertahankan definisi serta kondisi dan batasannya; kutipan terfokus dapat langsung menunjuk instruksi. Materi terlalu besar harus disiapkan berdasarkan jendela masukan yang dipilih alih-alih menganggap bagian akhir yang dihilangkan masih direpresentasikan.\n\nSimpan pengenal dokumen induk dan versi sumber di luar vektor. Jika teks berubah, perbarui representasi korpus terkait dan pertahankan hubungan dengan sumber baru. Untuk koleksi yang memuat beberapa bahasa, periksa pertanyaan sebenarnya dan bagian kandidat dalam campuran bahasa tujuan alih-alih menyimpulkan relevansi setara hanya dari label multibahasa.\n\n### Edisi independen dan kontekstual\n\nModel v1-4B membuat embedding setiap teks yang diberikan secara independen. Menambahkan beberapa string ke sebuah batch tidak menjadikannya encoder potongan context-v1 yang terpisah. Ketika dokumen sekeliling harus membentuk representasi setiap potongan, tugas tersebut milik edisi kontekstual dengan persiapannya sendiri.\n\npplx-embed-v1-0.6B yang lebih kecil mengembalikan 1024 dimensi, sedangkan edisi 4B ini mengembalikan 2560. Pisahkan identitas tepat dan representasi indeksnya kecuali jalur kompatibilitas yang didokumentasikan telah ditetapkan. Hasil yang berguna di sini adalah vektor kueri atau teks sumber independen, dengan perbandingan kosinus dan representasi terkuantisasi yang dipilih dicatat untuk tugas temu kembali.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "42b5d1ba69fe5380a1a6e11842e1363ca5414fa62a8a29edbee7fb745fe4e0fb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B mengodekan teks mandiri menjadi vektor pencarian berdimensi 2560 dengan konteks 32K. Model ini tidak memerlukan prefiks instruksi dan secara native menghasilkan embedding INT8 yang belum dinormalisasi, untuk dibandingkan menggunakan kemiripan kosinus.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
pplx-embed-v1-4B adalah edisi embedding teks independen Perplexity yang lebih besar dalam keluarga v1. Model merepresentasikan kueri atau dokumen sebagai vektor 2560 dimensi untuk pencarian semantik dan temu kembali. Produsen membangun keluarga ini di atas Qwen3 dengan prapelatihan lanjutan berbasis difusi dan menggunakan mean pooling untuk representasi teks. Encoder independen ini berbeda dari pplx-embed-context-v1, yang merepresentasikan potongan dokumen menggunakan konteks sekelilingnya.
Model tidak membutuhkan string instruksi atau prefiks query/passage. Siapkan teks yang ingin direpresentasikan alih-alih menambahkan konvensi peran dari keluarga lain. Koleksi pencarian dapat memuat dokumen sumber, bagian terfokus, atau rekaman teks pendek. Simpan pilihan kata asli dan pengenal setiap item di samping vektornya agar hasil temu kembali tetap dapat dibaca dan ditelusuri.
Tugas praktisnya adalah menemukan bagian penjelasan teknis untuk pertanyaan tentang kondisinya. Pertahankan judul bagian, aturan, dan pengecualian bersama-sama. Pilihan kata kueri dibuat embedding-nya secara independen, lalu dibandingkan dengan representasi korpus yang disiapkan. Tahap RAG berikutnya menggunakan teks bagian hasil, bukan vektor itu sendiri, sebagai materi sumber.
Pembuat secara eksplisit menyatakan bahwa embedding bawaan tidak dinormalisasi dan dikuantisasi INT8. Bandingkan embedding tersebut menggunakan kemiripan kosinus. Hasil kali titik mentah pada nilai yang tidak dinormalisasi ini bukan padanan perbandingan kosinus yang didokumentasikan. Karena itu, jenis representasi dan fungsi kemiripan harus dipertimbangkan bersama saat memilih cara indeks pencarian menyimpan serta membandingkan keluaran.
Kartu model juga mendokumentasikan keluaran biner dan menandai dukungan representasi Matryoshka. Komponen biner dan penyimpanannya dalam bentuk terkemas berbeda dari larik floating-point biasa, sehingga indeks harus menafsirkan representasi yang dipilih. Dimensi embedding lengkap menjelaskan komponen representasi, bukan jumlah byte dalam setiap pengodean. Pertahankan konsistensi dimensi dan jenis keluaran pada sisi kueri maupun dokumen.
Konteks model yang diterbitkan adalah 32K. Ini memungkinkan representasi teks yang cukup besar, sementara tingkat perincian bagian tetap harus mengikuti hasil yang perlu dikembalikan pencarian. Bagian lengkap dapat mempertahankan definisi serta kondisi dan batasannya; kutipan terfokus dapat langsung menunjuk instruksi. Materi terlalu besar harus disiapkan berdasarkan jendela masukan yang dipilih alih-alih menganggap bagian akhir yang dihilangkan masih direpresentasikan.
Simpan pengenal dokumen induk dan versi sumber di luar vektor. Jika teks berubah, perbarui representasi korpus terkait dan pertahankan hubungan dengan sumber baru. Untuk koleksi yang memuat beberapa bahasa, periksa pertanyaan sebenarnya dan bagian kandidat dalam campuran bahasa tujuan alih-alih menyimpulkan relevansi setara hanya dari label multibahasa.
Model v1-4B membuat embedding setiap teks yang diberikan secara independen. Menambahkan beberapa string ke sebuah batch tidak menjadikannya encoder potongan context-v1 yang terpisah. Ketika dokumen sekeliling harus membentuk representasi setiap potongan, tugas tersebut milik edisi kontekstual dengan persiapannya sendiri.
pplx-embed-v1-0.6B yang lebih kecil mengembalikan 1024 dimensi, sedangkan edisi 4B ini mengembalikan 2560. Pisahkan identitas tepat dan representasi indeksnya kecuali jalur kompatibilitas yang didokumentasikan telah ditetapkan. Hasil yang berguna di sini adalah vektor kueri atau teks sumber independen, dengan perbandingan kosinus dan representasi terkuantisasi yang dipilih dicatat untuk tugas temu kembali.
POST /v1/embeddingstext, token_idsembedding| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan perplexity/pplx-embed-v1-4b | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & 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_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak32000 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Siklus hidup: synchronous_json
Pertahankan index dan dimensi setiap vektor.
Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00006 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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
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.
Endpoint untuk tugas embedding tidak ditambahkan.
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra perplexity/pplx-embed-v1-4b
Gunakan jalur metode yang ditampilkan di atas.