pplx-embed-v1-4B è l’edizione indipendente più grande di embedding testuale di Perplexity nella famiglia v1. Rappresenta query o documenti come vettori a 2560 dimensioni per ricerca semantica e recupero. Il produttore costruisce la famiglia su Qwen3 con pre-addestramento continuato tramite diffusione e usa pooling medio per la rappresentazione testuale. Questo encoder indipendente è distinto da pplx-embed-context-v1, che rappresenta segmenti documentali usando il contesto circostante.
Il modello non richiede una stringa di istruzioni o un prefisso query/passage. Prepara il testo che vuoi rappresentare anziché aggiungere una convenzione di ruolo presa da un’altra famiglia. Una raccolta di ricerca può contenere documenti di origine, passaggi mirati o record testuali brevi. Mantieni la formulazione originale e l’identificatore di ogni elemento accanto al suo vettore, affinché un risultato recuperato rimanga leggibile e tracciabile.
Un’attività concreta consiste nel recuperare una sezione di spiegazione tecnica per una domanda sulle sue condizioni. Preserva insieme il titolo della sezione, la regola e l’eccezione. La formulazione della query viene codificata indipendentemente, quindi confrontata con le rappresentazioni preparate del corpus. Una fase RAG successiva usa come fonte il testo del passaggio restituito, non il vettore stesso.
Il produttore afferma esplicitamente che gli embedding nativi sono non normalizzati e quantizzati in INT8. Confrontali con la similarità del coseno. Un prodotto scalare grezzo su questi valori non normalizzati non è l’equivalente documentato di un confronto tramite coseno. Il tipo di rappresentazione e la funzione di similarità devono quindi essere considerati insieme quando scegli come un indice di ricerca memorizza e confronta l’output.
La scheda del modello documenta anche l’output binario e indica il supporto alle rappresentazioni Matryoshka. Le componenti binarie e la loro memorizzazione compattata sono diverse dai normali array a virgola mobile, quindi l’indice deve interpretare la rappresentazione selezionata. La dimensione completa dell’embedding descrive le componenti della rappresentazione, non il numero di byte in ogni codifica. Mantieni coerenti dimensione e tipo di output sui lati della query e del documento.
Il contesto pubblicato del modello è di 32K. Ciò permette di rappresentare testo consistente, mentre la granularità dei passaggi dovrebbe comunque seguire ciò che la ricerca deve restituire. Una sezione completa può conservare una definizione e le sue precisazioni; un estratto mirato può puntare direttamente a un’istruzione. Il materiale eccessivamente grande dovrebbe essere preparato in base alla finestra di input scelta, anziché presumere che la parte finale omessa rimanga rappresentata.
Conserva un identificatore del documento principale e una versione della fonte al di fuori del vettore. Se il testo cambia, aggiorna la rappresentazione corrispondente del corpus e mantieni il collegamento alla nuova fonte. Per una raccolta contenente più lingue, esamina domande effettive e passaggi candidati nel mix linguistico previsto anziché dedurre una pertinenza equivalente da una sola etichetta multilingue.
Il modello v1-4B codifica ogni testo fornito indipendentemente. Aggiungere più stringhe a un batch non lo trasforma nell’encoder separato di segmenti context-v1. Quando il documento circostante deve influire sulla rappresentazione di ogni segmento, quell’attività appartiene all’edizione contestuale e alla sua preparazione specifica.
Il modello più piccolo pplx-embed-v1-0.6B restituisce 1024 dimensioni, mentre questa edizione 4B ne restituisce 2560. Mantieni separate le loro identità esatte e rappresentazioni di indice, salvo che sia stabilito un percorso di compatibilità documentato. Il risultato utile qui è un vettore indipendente di query o testo di origine, con confronto tramite coseno e rappresentazione quantizzata selezionata registrati per l’attività di recupero.
", "aboutText": "pplx-embed-v1-4B è l’edizione indipendente più grande di embedding testuale di Perplexity nella famiglia v1. Rappresenta query o documenti come vettori a 2560 dimensioni per ricerca semantica e recupero. Il produttore costruisce la famiglia su Qwen3 con pre-addestramento continuato tramite diffusione e usa pooling medio per la rappresentazione testuale. Questo encoder indipendente è distinto da pplx-embed-context-v1, che rappresenta segmenti documentali usando il contesto circostante.\n\n### Codificare direttamente il testo effettivo\n\nIl modello non richiede una stringa di istruzioni o un prefisso query/passage. Prepara il testo che vuoi rappresentare anziché aggiungere una convenzione di ruolo presa da un’altra famiglia. Una raccolta di ricerca può contenere documenti di origine, passaggi mirati o record testuali brevi. Mantieni la formulazione originale e l’identificatore di ogni elemento accanto al suo vettore, affinché un risultato recuperato rimanga leggibile e tracciabile.\n\nUn’attività concreta consiste nel recuperare una sezione di spiegazione tecnica per una domanda sulle sue condizioni. Preserva insieme il titolo della sezione, la regola e l’eccezione. La formulazione della query viene codificata indipendentemente, quindi confrontata con le rappresentazioni preparate del corpus. Una fase RAG successiva usa come fonte il testo del passaggio restituito, non il vettore stesso.\n\n### Rappresentazione nativa e confronto\n\nIl produttore afferma esplicitamente che gli embedding nativi sono non normalizzati e quantizzati in INT8. Confrontali con la similarità del coseno. Un prodotto scalare grezzo su questi valori non normalizzati non è l’equivalente documentato di un confronto tramite coseno. Il tipo di rappresentazione e la funzione di similarità devono quindi essere considerati insieme quando scegli come un indice di ricerca memorizza e confronta l’output.\n\nLa scheda del modello documenta anche l’output binario e indica il supporto alle rappresentazioni Matryoshka. Le componenti binarie e la loro memorizzazione compattata sono diverse dai normali array a virgola mobile, quindi l’indice deve interpretare la rappresentazione selezionata. La dimensione completa dell’embedding descrive le componenti della rappresentazione, non il numero di byte in ogni codifica. Mantieni coerenti dimensione e tipo di output sui lati della query e del documento.\n\n### Lunghezza e confini dei documenti\n\nIl contesto pubblicato del modello è di 32K. Ciò permette di rappresentare testo consistente, mentre la granularità dei passaggi dovrebbe comunque seguire ciò che la ricerca deve restituire. Una sezione completa può conservare una definizione e le sue precisazioni; un estratto mirato può puntare direttamente a un’istruzione. Il materiale eccessivamente grande dovrebbe essere preparato in base alla finestra di input scelta, anziché presumere che la parte finale omessa rimanga rappresentata.\n\nConserva un identificatore del documento principale e una versione della fonte al di fuori del vettore. Se il testo cambia, aggiorna la rappresentazione corrispondente del corpus e mantieni il collegamento alla nuova fonte. Per una raccolta contenente più lingue, esamina domande effettive e passaggi candidati nel mix linguistico previsto anziché dedurre una pertinenza equivalente da una sola etichetta multilingue.\n\n### Edizioni indipendenti e contestuali\n\nIl modello v1-4B codifica ogni testo fornito indipendentemente. Aggiungere più stringhe a un batch non lo trasforma nell’encoder separato di segmenti context-v1. Quando il documento circostante deve influire sulla rappresentazione di ogni segmento, quell’attività appartiene all’edizione contestuale e alla sua preparazione specifica.\n\nIl modello più piccolo pplx-embed-v1-0.6B restituisce 1024 dimensioni, mentre questa edizione 4B ne restituisce 2560. Mantieni separate le loro identità esatte e rappresentazioni di indice, salvo che sia stabilito un percorso di compatibilità documentato. Il risultato utile qui è un vettore indipendente di query o testo di origine, con confronto tramite coseno e rappresentazione quantizzata selezionata registrati per l’attività di recupero.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "70ea87c5c7d6e06ac058374d8c85f38b97ab587f7a1572e1e4bcce21195f4a66", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B codifica testi indipendenti in vettori di recupero di 2560 dimensioni, con un contesto di 32K. Non richiede un prefisso di istruzione e produce nativamente embedding INT8 non normalizzati, confrontati tramite similarità coseno.
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-v1-4B è l’edizione indipendente più grande di embedding testuale di Perplexity nella famiglia v1. Rappresenta query o documenti come vettori a 2560 dimensioni per ricerca semantica e recupero. Il produttore costruisce la famiglia su Qwen3 con pre-addestramento continuato tramite diffusione e usa pooling medio per la rappresentazione testuale. Questo encoder indipendente è distinto da pplx-embed-context-v1, che rappresenta segmenti documentali usando il contesto circostante.
Il modello non richiede una stringa di istruzioni o un prefisso query/passage. Prepara il testo che vuoi rappresentare anziché aggiungere una convenzione di ruolo presa da un’altra famiglia. Una raccolta di ricerca può contenere documenti di origine, passaggi mirati o record testuali brevi. Mantieni la formulazione originale e l’identificatore di ogni elemento accanto al suo vettore, affinché un risultato recuperato rimanga leggibile e tracciabile.
Un’attività concreta consiste nel recuperare una sezione di spiegazione tecnica per una domanda sulle sue condizioni. Preserva insieme il titolo della sezione, la regola e l’eccezione. La formulazione della query viene codificata indipendentemente, quindi confrontata con le rappresentazioni preparate del corpus. Una fase RAG successiva usa come fonte il testo del passaggio restituito, non il vettore stesso.
Il produttore afferma esplicitamente che gli embedding nativi sono non normalizzati e quantizzati in INT8. Confrontali con la similarità del coseno. Un prodotto scalare grezzo su questi valori non normalizzati non è l’equivalente documentato di un confronto tramite coseno. Il tipo di rappresentazione e la funzione di similarità devono quindi essere considerati insieme quando scegli come un indice di ricerca memorizza e confronta l’output.
La scheda del modello documenta anche l’output binario e indica il supporto alle rappresentazioni Matryoshka. Le componenti binarie e la loro memorizzazione compattata sono diverse dai normali array a virgola mobile, quindi l’indice deve interpretare la rappresentazione selezionata. La dimensione completa dell’embedding descrive le componenti della rappresentazione, non il numero di byte in ogni codifica. Mantieni coerenti dimensione e tipo di output sui lati della query e del documento.
Il contesto pubblicato del modello è di 32K. Ciò permette di rappresentare testo consistente, mentre la granularità dei passaggi dovrebbe comunque seguire ciò che la ricerca deve restituire. Una sezione completa può conservare una definizione e le sue precisazioni; un estratto mirato può puntare direttamente a un’istruzione. Il materiale eccessivamente grande dovrebbe essere preparato in base alla finestra di input scelta, anziché presumere che la parte finale omessa rimanga rappresentata.
Conserva un identificatore del documento principale e una versione della fonte al di fuori del vettore. Se il testo cambia, aggiorna la rappresentazione corrispondente del corpus e mantieni il collegamento alla nuova fonte. Per una raccolta contenente più lingue, esamina domande effettive e passaggi candidati nel mix linguistico previsto anziché dedurre una pertinenza equivalente da una sola etichetta multilingue.
Il modello v1-4B codifica ogni testo fornito indipendentemente. Aggiungere più stringhe a un batch non lo trasforma nell’encoder separato di segmenti context-v1. Quando il documento circostante deve influire sulla rappresentazione di ogni segmento, quell’attività appartiene all’edizione contestuale e alla sua preparazione specifica.
Il modello più piccolo pplx-embed-v1-0.6B restituisce 1024 dimensioni, mentre questa edizione 4B ne restituisce 2560. Mantieni separate le loro identità esatte e rappresentazioni di indice, salvo che sia stabilito un percorso di compatibilità documentato. Il risultato utile qui è un vettore indipendente di query o testo di origine, con confronto tramite coseno e rappresentazione quantizzata selezionata registrati per l’attività di recupero.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti perplexity/pplx-embed-v1-4b | 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 $0.00006 / 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-v1-4b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='perplexity/pplx-embed-v1-4b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva 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-v1-4b
Usa i percorsi dei metodi indicati sopra.