pplx-embed-v1-0.6B è il modello di embedding indipendente più piccolo di Perplexity nella famiglia v1. Trasforma il testo di query o documenti in una rappresentazione a 1024 dimensioni per recupero e ricerca semantica. Il produttore descrive una famiglia basata su Qwen3, adattata tramite pre-addestramento continuato con diffusione, con pooling medio e contesto di 32K. Il modello codifica direttamente il testo fornito, senza un prefisso di istruzioni richiesto.
Una raccolta utile può contenere spiegazioni di prodotto, sezioni di una base di conoscenze o brevi note di ricerca. Dai a ogni testo abbastanza contesto della fonte da poter essere compreso quando viene restituito dalla ricerca: un titolo, l’affermazione cercata e la condizione che ne modifica il significato. Mantieni il testo originale e l’identificatore del record insieme all’embedding risultante.
Per un’attività di ricerca nelle note, una domanda su che cosa sia cambiato in un processo dovrebbe recuperare la nota che descrive quel cambiamento. Codifica la domanda effettiva e confrontala con i record preparati del corpus. Non aggiungere per impostazione predefinita l’istruzione query/passage di un’altra famiglia di modelli; il testo diretto è la preparazione documentata dal produttore per questo modello.
La rappresentazione nativa è un embedding INT8 non normalizzato. Perplexity raccomanda esplicitamente la similarità del coseno per il confronto. Un punteggio di prodotto scalare grezzo su output non normalizzato cambia il confronto, perché vi contribuisce la norma del vettore. Seleziona un indice di ricerca e un percorso di punteggio capaci di interpretare insieme la rappresentazione scelta e la metrica.
Anche la rappresentazione binaria è documentata e la tabella del modello indica il supporto Matryoshka. Queste opzioni di rappresentazione possono essere rilevanti per la memorizzazione dell’indice, ma le loro componenti e i byte compattati devono essere interpretati correttamente. L’output completo a 1024 dimensioni è distinto da quello a 2560 dimensioni del modello 4B. Un cambiamento di dimensione del modello o di rappresentazione di output dovrebbe essere verificato sui lati della query e del corpus anziché trattato come uno spazio comune automatico.
La specifica di contesto del produttore è di 32K. Una nota lunga o una sezione documentale può contenere più spiegazione circostante rispetto a un encoder a finestra breve, mentre l’unità di recupero deve comunque avere uno scopo chiaro. Scegli se un risultato debba restituire un’intera sezione o un passaggio mirato contenente la risposta. Mantieni definizioni ed eccezioni con l’affermazione che precisano.
Per materiale di origine più grande, conserva l’identificatore del documento principale e la versione al di fuori del vettore. Ciò permette al risultato di ricerca di riportare alla fonte e al testo modificato di sostituire la rappresentazione corrispondente. Esamina i risultati candidati per domande reali nel mix linguistico previsto e verifica che il passaggio fornisca le informazioni richieste, anziché limitarsi a discutere un argomento simile.
La scheda del modello distingue questo encoder indipendente da pplx-embed-context-v1-0.6B. Il modello contestuale usa il documento circostante per le rappresentazioni dei segmenti; il modello v1 ordinario rappresenta autonomamente ogni testo fornito. Un elenco di stringhe indipendenti non stabilisce che sia avvenuta un’elaborazione contestuale dei segmenti.
L’output utile è una rappresentazione del corpus o un vettore di query collegato al testo effettivo della fonte, con il formato INT8 o binario selezionato e il confronto tramite coseno registrati. Una fase successiva di ordinamento o risposta RAG usa il testo recuperato come artefatto separato. Questo profilo appartiene all’esatta edizione indipendente 0.6B, non ai modelli 4B o context-v1.
", "aboutText": "pplx-embed-v1-0.6B è il modello di embedding indipendente più piccolo di Perplexity nella famiglia v1. Trasforma il testo di query o documenti in una rappresentazione a 1024 dimensioni per recupero e ricerca semantica. Il produttore descrive una famiglia basata su Qwen3, adattata tramite pre-addestramento continuato con diffusione, con pooling medio e contesto di 32K. Il modello codifica direttamente il testo fornito, senza un prefisso di istruzioni richiesto.\n\n### Preparare un record indipendente\n\nUna raccolta utile può contenere spiegazioni di prodotto, sezioni di una base di conoscenze o brevi note di ricerca. Dai a ogni testo abbastanza contesto della fonte da poter essere compreso quando viene restituito dalla ricerca: un titolo, l’affermazione cercata e la condizione che ne modifica il significato. Mantieni il testo originale e l’identificatore del record insieme all’embedding risultante.\n\nPer un’attività di ricerca nelle note, una domanda su che cosa sia cambiato in un processo dovrebbe recuperare la nota che descrive quel cambiamento. Codifica la domanda effettiva e confrontala con i record preparati del corpus. Non aggiungere per impostazione predefinita l’istruzione query/passage di un’altra famiglia di modelli; il testo diretto è la preparazione documentata dal produttore per questo modello.\n\n### Vettori quantizzati e confronto tramite coseno\n\nLa rappresentazione nativa è un embedding INT8 non normalizzato. Perplexity raccomanda esplicitamente la similarità del coseno per il confronto. Un punteggio di prodotto scalare grezzo su output non normalizzato cambia il confronto, perché vi contribuisce la norma del vettore. Seleziona un indice di ricerca e un percorso di punteggio capaci di interpretare insieme la rappresentazione scelta e la metrica.\n\nAnche la rappresentazione binaria è documentata e la tabella del modello indica il supporto Matryoshka. Queste opzioni di rappresentazione possono essere rilevanti per la memorizzazione dell’indice, ma le loro componenti e i byte compattati devono essere interpretati correttamente. L’output completo a 1024 dimensioni è distinto da quello a 2560 dimensioni del modello 4B. Un cambiamento di dimensione del modello o di rappresentazione di output dovrebbe essere verificato sui lati della query e del corpus anziché trattato come uno spazio comune automatico.\n\n### Usare intenzionalmente il contesto\n\nLa specifica di contesto del produttore è di 32K. Una nota lunga o una sezione documentale può contenere più spiegazione circostante rispetto a un encoder a finestra breve, mentre l’unità di recupero deve comunque avere uno scopo chiaro. Scegli se un risultato debba restituire un’intera sezione o un passaggio mirato contenente la risposta. Mantieni definizioni ed eccezioni con l’affermazione che precisano.\n\nPer materiale di origine più grande, conserva l’identificatore del documento principale e la versione al di fuori del vettore. Ciò permette al risultato di ricerca di riportare alla fonte e al testo modificato di sostituire la rappresentazione corrispondente. Esamina i risultati candidati per domande reali nel mix linguistico previsto e verifica che il passaggio fornisca le informazioni richieste, anziché limitarsi a discutere un argomento simile.\n\n### Separare elaborazione indipendente e contestuale\n\nLa scheda del modello distingue questo encoder indipendente da pplx-embed-context-v1-0.6B. Il modello contestuale usa il documento circostante per le rappresentazioni dei segmenti; il modello v1 ordinario rappresenta autonomamente ogni testo fornito. Un elenco di stringhe indipendenti non stabilisce che sia avvenuta un’elaborazione contestuale dei segmenti.\n\nL’output utile è una rappresentazione del corpus o un vettore di query collegato al testo effettivo della fonte, con il formato INT8 o binario selezionato e il confronto tramite coseno registrati. Una fase successiva di ordinamento o risposta RAG usa il testo recuperato come artefatto separato. Questo profilo appartiene all’esatta edizione indipendente 0.6B, non ai modelli 4B o context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d7fad557b61cafffc2299bd48248b0c90063661d92a32435bcabbe1c535f6a10", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B produce embedding a 1024 dimensioni per il recupero indipendente di testo multilingue. Il suo contesto di 32K, la preparazione diretta del testo e le rappresentazioni native INT8 o binarie definiscono un profilo di indice più piccolo della famiglia v1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
pplx-embed-v1-0.6B è il modello di embedding indipendente più piccolo di Perplexity nella famiglia v1. Trasforma il testo di query o documenti in una rappresentazione a 1024 dimensioni per recupero e ricerca semantica. Il produttore descrive una famiglia basata su Qwen3, adattata tramite pre-addestramento continuato con diffusione, con pooling medio e contesto di 32K. Il modello codifica direttamente il testo fornito, senza un prefisso di istruzioni richiesto.
Una raccolta utile può contenere spiegazioni di prodotto, sezioni di una base di conoscenze o brevi note di ricerca. Dai a ogni testo abbastanza contesto della fonte da poter essere compreso quando viene restituito dalla ricerca: un titolo, l’affermazione cercata e la condizione che ne modifica il significato. Mantieni il testo originale e l’identificatore del record insieme all’embedding risultante.
Per un’attività di ricerca nelle note, una domanda su che cosa sia cambiato in un processo dovrebbe recuperare la nota che descrive quel cambiamento. Codifica la domanda effettiva e confrontala con i record preparati del corpus. Non aggiungere per impostazione predefinita l’istruzione query/passage di un’altra famiglia di modelli; il testo diretto è la preparazione documentata dal produttore per questo modello.
La rappresentazione nativa è un embedding INT8 non normalizzato. Perplexity raccomanda esplicitamente la similarità del coseno per il confronto. Un punteggio di prodotto scalare grezzo su output non normalizzato cambia il confronto, perché vi contribuisce la norma del vettore. Seleziona un indice di ricerca e un percorso di punteggio capaci di interpretare insieme la rappresentazione scelta e la metrica.
Anche la rappresentazione binaria è documentata e la tabella del modello indica il supporto Matryoshka. Queste opzioni di rappresentazione possono essere rilevanti per la memorizzazione dell’indice, ma le loro componenti e i byte compattati devono essere interpretati correttamente. L’output completo a 1024 dimensioni è distinto da quello a 2560 dimensioni del modello 4B. Un cambiamento di dimensione del modello o di rappresentazione di output dovrebbe essere verificato sui lati della query e del corpus anziché trattato come uno spazio comune automatico.
La specifica di contesto del produttore è di 32K. Una nota lunga o una sezione documentale può contenere più spiegazione circostante rispetto a un encoder a finestra breve, mentre l’unità di recupero deve comunque avere uno scopo chiaro. Scegli se un risultato debba restituire un’intera sezione o un passaggio mirato contenente la risposta. Mantieni definizioni ed eccezioni con l’affermazione che precisano.
Per materiale di origine più grande, conserva l’identificatore del documento principale e la versione al di fuori del vettore. Ciò permette al risultato di ricerca di riportare alla fonte e al testo modificato di sostituire la rappresentazione corrispondente. Esamina i risultati candidati per domande reali nel mix linguistico previsto e verifica che il passaggio fornisca le informazioni richieste, anziché limitarsi a discutere un argomento simile.
La scheda del modello distingue questo encoder indipendente da pplx-embed-context-v1-0.6B. Il modello contestuale usa il documento circostante per le rappresentazioni dei segmenti; il modello v1 ordinario rappresenta autonomamente ogni testo fornito. Un elenco di stringhe indipendenti non stabilisce che sia avvenuta un’elaborazione contestuale dei segmenti.
L’output utile è una rappresentazione del corpus o un vettore di query collegato al testo effettivo della fonte, con il formato INT8 o binario selezionato e il confronto tramite coseno registrati. Una fase successiva di ordinamento o risposta RAG usa il testo recuperato come artefatto separato. Questo profilo appartiene all’esatta edizione indipendente 0.6B, non ai modelli 4B o context-v1.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti perplexity/pplx-embed-v1-0.6b | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 32.000 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto32000 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000008 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "perplexity/pplx-embed-v1-0.6b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='perplexity/pplx-embed-v1-0.6b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Usa i percorsi dei metodi indicati sopra.