{ "aboutHtml": "

pplx-embed-v1-0.6B ialah model embedding lebih kecil Perplexity dalam keluarga v1 yang mengekod teks secara berasingan. Ia menukarkan teks pertanyaan atau dokumen kepada perwakilan 1024 dimensi untuk pemerolehan semula dan carian semantik. Pembuat menerangkan keluarga berasaskan Qwen3 yang disesuaikan melalui pralatihan lanjutan berasaskan difusi, dengan mean pooling dan konteks 32K. Model mengekod teks yang diberikan secara langsung tanpa awalan arahan wajib.

Sediakan rekod untuk dikodkan secara berasingan

Koleksi berguna boleh mengandungi penerangan produk, bahagian pangkalan pengetahuan atau nota penyelidikan pendek. Berikan setiap teks konteks sumber yang mencukupi untuk difahami apabila dikembalikan carian: tajuk, pernyataan yang dicari dan syarat yang mengubah maknanya. Simpan teks asal serta pengecam rekod bersama embedding hasil.

Untuk tugas carian nota, soalan tentang perubahan dalam proses patut mendapatkan nota yang menerangkan perubahan itu. Hasilkan embedding soalan sebenar dan bandingkannya dengan rekod korpus yang disediakan. Jangan menambah arahan query/passage keluarga model lain secara lalai; teks langsung ialah penyediaan yang didokumenkan pembuat untuk model ini.

Vektor terkuantum dan perbandingan kosinus

Perwakilan natif ialah embedding INT8 tidak ternormal. Perplexity secara jelas mengesyorkan keserupaan kosinus untuk perbandingan. Skor hasil darab titik mentah pada output tidak ternormal mengubah perbandingan kerana magnitud vektor menyumbang kepadanya. Pilih indeks carian dan laluan penskoran yang dapat mentafsir perwakilan serta metrik terpilih bersama-sama.

Perwakilan binari turut didokumenkan dan jadual model mengenal pasti sokongan Matryoshka. Pilihan perwakilan itu boleh berkaitan dengan penyimpanan indeks, tetapi komponen dan bait terpadatnya mesti ditafsirkan dengan betul. Output penuh 1024 dimensi berbeza daripada model 4B dengan 2560 dimensi. Perubahan saiz model atau perwakilan output perlu diperiksa pada bahagian pertanyaan dan korpus, bukannya dianggap sebagai ruang bersama secara automatik.

Gunakan konteks dengan sengaja

Spesifikasi konteks pembuat ialah 32K. Nota panjang atau bahagian dokumen boleh memuatkan lebih banyak penjelasan sekeliling berbanding pengekod bertetingkap pendek, manakala unit pemerolehan semula masih memerlukan tujuan jelas. Pilih sama ada hasil carian patut mengembalikan seluruh bahagian atau petikan terfokus yang mengandungi jawapan. Simpan takrif dan pengecualian bersama pernyataan yang diperincikannya.

Untuk bahan sumber lebih besar, simpan pengecam dokumen induk dan versi di luar vektor. Ini membolehkan hasil carian kembali kepada sumber dan teks berubah menggantikan perwakilan yang sepadan. Periksa hasil calon bagi soalan sebenar dalam campuran bahasa sasaran dan pastikan petikan membekalkan maklumat yang diminta, bukannya sekadar membincangkan topik serupa.

Asingkan pemprosesan berasingan dan berkonteks

Kad model membezakan pengekod berasingan ini daripada pplx-embed-context-v1-0.6B. Model berkonteks menggunakan persekitaran dokumen untuk perwakilan segmen; model v1 biasa mewakili setiap teks yang diberikan dengan sendirinya. Senarai rentetan berasingan tidak membuktikan bahawa pemprosesan segmen berkonteks telah berlaku.

Output berguna ialah perwakilan korpus atau vektor pertanyaan yang dipautkan kepada teks sumber sebenar, dengan format INT8 atau binari terpilih dan perbandingan kosinus direkodkan. Peringkat penentuan kedudukan atau jawapan RAG kemudian menggunakan teks yang diperoleh semula sebagai artifak berasingan. Profil ini tergolong dalam edisi pengekodan berasingan 0.6B tepat, bukan model 4B atau context-v1.

", "aboutText": "pplx-embed-v1-0.6B ialah model embedding lebih kecil Perplexity dalam keluarga v1 yang mengekod teks secara berasingan. Ia menukarkan teks pertanyaan atau dokumen kepada perwakilan 1024 dimensi untuk pemerolehan semula dan carian semantik. Pembuat menerangkan keluarga berasaskan Qwen3 yang disesuaikan melalui pralatihan lanjutan berasaskan difusi, dengan mean pooling dan konteks 32K. Model mengekod teks yang diberikan secara langsung tanpa awalan arahan wajib.\n\n### Sediakan rekod untuk dikodkan secara berasingan\n\nKoleksi berguna boleh mengandungi penerangan produk, bahagian pangkalan pengetahuan atau nota penyelidikan pendek. Berikan setiap teks konteks sumber yang mencukupi untuk difahami apabila dikembalikan carian: tajuk, pernyataan yang dicari dan syarat yang mengubah maknanya. Simpan teks asal serta pengecam rekod bersama embedding hasil.\n\nUntuk tugas carian nota, soalan tentang perubahan dalam proses patut mendapatkan nota yang menerangkan perubahan itu. Hasilkan embedding soalan sebenar dan bandingkannya dengan rekod korpus yang disediakan. Jangan menambah arahan query/passage keluarga model lain secara lalai; teks langsung ialah penyediaan yang didokumenkan pembuat untuk model ini.\n\n### Vektor terkuantum dan perbandingan kosinus\n\nPerwakilan natif ialah embedding INT8 tidak ternormal. Perplexity secara jelas mengesyorkan keserupaan kosinus untuk perbandingan. Skor hasil darab titik mentah pada output tidak ternormal mengubah perbandingan kerana magnitud vektor menyumbang kepadanya. Pilih indeks carian dan laluan penskoran yang dapat mentafsir perwakilan serta metrik terpilih bersama-sama.\n\nPerwakilan binari turut didokumenkan dan jadual model mengenal pasti sokongan Matryoshka. Pilihan perwakilan itu boleh berkaitan dengan penyimpanan indeks, tetapi komponen dan bait terpadatnya mesti ditafsirkan dengan betul. Output penuh 1024 dimensi berbeza daripada model 4B dengan 2560 dimensi. Perubahan saiz model atau perwakilan output perlu diperiksa pada bahagian pertanyaan dan korpus, bukannya dianggap sebagai ruang bersama secara automatik.\n\n### Gunakan konteks dengan sengaja\n\nSpesifikasi konteks pembuat ialah 32K. Nota panjang atau bahagian dokumen boleh memuatkan lebih banyak penjelasan sekeliling berbanding pengekod bertetingkap pendek, manakala unit pemerolehan semula masih memerlukan tujuan jelas. Pilih sama ada hasil carian patut mengembalikan seluruh bahagian atau petikan terfokus yang mengandungi jawapan. Simpan takrif dan pengecualian bersama pernyataan yang diperincikannya.\n\nUntuk bahan sumber lebih besar, simpan pengecam dokumen induk dan versi di luar vektor. Ini membolehkan hasil carian kembali kepada sumber dan teks berubah menggantikan perwakilan yang sepadan. Periksa hasil calon bagi soalan sebenar dalam campuran bahasa sasaran dan pastikan petikan membekalkan maklumat yang diminta, bukannya sekadar membincangkan topik serupa.\n\n### Asingkan pemprosesan berasingan dan berkonteks\n\nKad model membezakan pengekod berasingan ini daripada pplx-embed-context-v1-0.6B. Model berkonteks menggunakan persekitaran dokumen untuk perwakilan segmen; model v1 biasa mewakili setiap teks yang diberikan dengan sendirinya. Senarai rentetan berasingan tidak membuktikan bahawa pemprosesan segmen berkonteks telah berlaku.\n\nOutput berguna ialah perwakilan korpus atau vektor pertanyaan yang dipautkan kepada teks sumber sebenar, dengan format INT8 atau binari terpilih dan perbandingan kosinus direkodkan. Peringkat penentuan kedudukan atau jawapan RAG kemudian menggunakan teks yang diperoleh semula sebagai artifak berasingan. Profil ini tergolong dalam edisi pengekodan berasingan 0.6B tepat, bukan model 4B atau context-v1.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "53462d865ed9878d3223ec65c8735d58b84d4f3aa1b34798b973413acb751f2d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Perplexity: Embed V1 0.6B

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

Pengenalan

Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk pemerolehan semula teks berbilang bahasa yang dikodkan secara berasingan. Konteks 32K, penyediaan teks langsung dan perwakilan natif INT8 atau binari menentukan profil indeks keluarga v1 yang lebih kecil ini.

Input yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

pplx-embed-v1-0.6B ialah model embedding lebih kecil Perplexity dalam keluarga v1 yang mengekod teks secara berasingan. Ia menukarkan teks pertanyaan atau dokumen kepada perwakilan 1024 dimensi untuk pemerolehan semula dan carian semantik. Pembuat menerangkan keluarga berasaskan Qwen3 yang disesuaikan melalui pralatihan lanjutan berasaskan difusi, dengan mean pooling dan konteks 32K. Model mengekod teks yang diberikan secara langsung tanpa awalan arahan wajib.

Sediakan rekod untuk dikodkan secara berasingan

Koleksi berguna boleh mengandungi penerangan produk, bahagian pangkalan pengetahuan atau nota penyelidikan pendek. Berikan setiap teks konteks sumber yang mencukupi untuk difahami apabila dikembalikan carian: tajuk, pernyataan yang dicari dan syarat yang mengubah maknanya. Simpan teks asal serta pengecam rekod bersama embedding hasil.

Untuk tugas carian nota, soalan tentang perubahan dalam proses patut mendapatkan nota yang menerangkan perubahan itu. Hasilkan embedding soalan sebenar dan bandingkannya dengan rekod korpus yang disediakan. Jangan menambah arahan query/passage keluarga model lain secara lalai; teks langsung ialah penyediaan yang didokumenkan pembuat untuk model ini.

Vektor terkuantum dan perbandingan kosinus

Perwakilan natif ialah embedding INT8 tidak ternormal. Perplexity secara jelas mengesyorkan keserupaan kosinus untuk perbandingan. Skor hasil darab titik mentah pada output tidak ternormal mengubah perbandingan kerana magnitud vektor menyumbang kepadanya. Pilih indeks carian dan laluan penskoran yang dapat mentafsir perwakilan serta metrik terpilih bersama-sama.

Perwakilan binari turut didokumenkan dan jadual model mengenal pasti sokongan Matryoshka. Pilihan perwakilan itu boleh berkaitan dengan penyimpanan indeks, tetapi komponen dan bait terpadatnya mesti ditafsirkan dengan betul. Output penuh 1024 dimensi berbeza daripada model 4B dengan 2560 dimensi. Perubahan saiz model atau perwakilan output perlu diperiksa pada bahagian pertanyaan dan korpus, bukannya dianggap sebagai ruang bersama secara automatik.

Gunakan konteks dengan sengaja

Spesifikasi konteks pembuat ialah 32K. Nota panjang atau bahagian dokumen boleh memuatkan lebih banyak penjelasan sekeliling berbanding pengekod bertetingkap pendek, manakala unit pemerolehan semula masih memerlukan tujuan jelas. Pilih sama ada hasil carian patut mengembalikan seluruh bahagian atau petikan terfokus yang mengandungi jawapan. Simpan takrif dan pengecualian bersama pernyataan yang diperincikannya.

Untuk bahan sumber lebih besar, simpan pengecam dokumen induk dan versi di luar vektor. Ini membolehkan hasil carian kembali kepada sumber dan teks berubah menggantikan perwakilan yang sepadan. Periksa hasil calon bagi soalan sebenar dalam campuran bahasa sasaran dan pastikan petikan membekalkan maklumat yang diminta, bukannya sekadar membincangkan topik serupa.

Asingkan pemprosesan berasingan dan berkonteks

Kad model membezakan pengekod berasingan ini daripada pplx-embed-context-v1-0.6B. Model berkonteks menggunakan persekitaran dokumen untuk perwakilan segmen; model v1 biasa mewakili setiap teks yang diberikan dengan sendirinya. Senarai rentetan berasingan tidak membuktikan bahawa pemprosesan segmen berkonteks telah berlaku.

Output berguna ialah perwakilan korpus atau vektor pertanyaan yang dipautkan kepada teks sumber sebenar, dengan format INT8 atau binari terpilih dan perbandingan kosinus direkodkan. Peringkat penentuan kedudukan atau jawapan RAG kemudian menggunakan teks yang diperoleh semula sebagai artifak berasingan. Profil ini tergolong dalam edisi pengekodan berasingan 0.6B tepat, bukan model 4B atau context-v1.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
32,000 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
perplexity/pplx-embed-v1-0.6b
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & had
Item minimum: 1
Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.
Bajet input: Maksimum: 32,000 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token
Lalai—
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
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

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.000008 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pembenaman

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 · Pembenaman

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

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

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "e92762a1e6b45ec0c8fb655ed9a0a503362de2e0903592711f0e5b65a60c23e1", "input_html_sha256": "727fb84d5fbfbe60a1d4a07d1c995cc8b6081594531906cb542db1ac6fed5abf", "private_audit_sha256": "9e62159e42587b6b5312843f86b8ec84dcd40def65de6c66951844053271052b", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/perplexity-pplx-embed-v1-0-6b/", "description": "Perplexity pplx-embed-v1-0.6B menghasilkan embedding 1024 dimensi untuk pemerolehan semula teks berbilang bahasa yang dikodkan secara berasingan. Konteks 32K, penyediaan teks langsung dan perwakilan natif INT8 atau binari menentukan profil indeks keluarga v1 yang lebih kecil ini.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/perplexity-pplx-embed-v1-0-6b/index.md", "title": "Perplexity: Embed V1 0.6B — Ailoot", "url": "https://ailoot.ai/models/ms/perplexity-pplx-embed-v1-0-6b/" }, "rawModel": { "about": "pplx-embed-v1-0.6B ialah model embedding lebih kecil Perplexity dalam keluarga v1 yang mengekod teks secara berasingan. Ia menukarkan teks pertanyaan atau dokumen kepada perwakilan 1024 dimensi untuk pemerolehan semula dan carian semantik. Pembuat menerangkan keluarga berasaskan Qwen3 yang disesuaikan melalui pralatihan lanjutan berasaskan difusi, dengan mean pooling dan konteks 32K. Model mengekod teks yang diberikan secara langsung tanpa awalan arahan wajib.\n\n### Sediakan rekod untuk dikodkan secara berasingan\n\nKoleksi berguna boleh mengandungi penerangan produk, bahagian pangkalan pengetahuan atau nota penyelidikan pendek. Berikan setiap teks konteks sumber yang mencukupi untuk difahami apabila dikembalikan carian: tajuk, pernyataan yang dicari dan syarat yang mengubah maknanya. Simpan teks asal serta pengecam rekod bersama embedding hasil.\n\nUntuk tugas carian nota, soalan tentang perubahan dalam proses patut mendapatkan nota yang menerangkan perubahan itu. Hasilkan embedding soalan sebenar dan bandingkannya dengan rekod korpus yang disediakan. Jangan menambah arahan query/passage keluarga model lain secara lalai; teks langsung ialah penyediaan yang didokumenkan pembuat untuk model ini.\n\n### Vektor terkuantum dan perbandingan kosinus\n\nPerwakilan natif ialah embedding INT8 tidak ternormal. Perplexity secara jelas mengesyorkan keserupaan kosinus untuk perbandingan. Skor hasil darab titik mentah pada output tidak ternormal mengubah perbandingan kerana magnitud vektor menyumbang kepadanya. Pilih indeks carian dan laluan penskoran yang dapat mentafsir perwakilan serta metrik terpilih bersama-sama.\n\nPerwakilan binari turut didokumenkan dan jadual model mengenal pasti sokongan Matryoshka. Pilihan perwakilan itu boleh berkaitan dengan penyimpanan indeks, tetapi komponen dan bait terpadatnya mesti ditafsirkan dengan betul. Output penuh 1024 dimensi berbeza daripada model 4B dengan 2560 dimensi. Perubahan saiz model atau perwakilan output perlu diperiksa pada bahagian pertanyaan dan korpus, bukannya dianggap sebagai ruang bersama secara automatik.\n\n### Gunakan konteks dengan sengaja\n\nSpesifikasi konteks pembuat ialah 32K. Nota panjang atau bahagian dokumen boleh memuatkan lebih banyak penjelasan sekeliling berbanding pengekod bertetingkap pendek, manakala unit pemerolehan semula masih memerlukan tujuan jelas. Pilih sama ada hasil carian patut mengembalikan seluruh bahagian atau petikan terfokus yang mengandungi jawapan. Simpan takrif dan pengecualian bersama pernyataan yang diperincikannya.\n\nUntuk bahan sumber lebih besar, simpan pengecam dokumen induk dan versi di luar vektor. Ini membolehkan hasil carian kembali kepada sumber dan teks berubah menggantikan perwakilan yang sepadan. Periksa hasil calon bagi soalan sebenar dalam campuran bahasa sasaran dan pastikan petikan membekalkan maklumat yang diminta, bukannya sekadar membincangkan topik serupa.\n\n### Asingkan pemprosesan berasingan dan berkonteks\n\nKad model membezakan pengekod berasingan ini daripada pplx-embed-context-v1-0.6B. Model berkonteks menggunakan persekitaran dokumen untuk perwakilan segmen; model v1 biasa mewakili setiap teks yang diberikan dengan sendirinya. Senarai rentetan berasingan tidak membuktikan bahawa pemprosesan segmen berkonteks telah berlaku.\n\nOutput berguna ialah perwakilan korpus atau vektor pertanyaan yang dipautkan kepada teks sumber sebenar, dengan format INT8 atau binari terpilih dan perbandingan kosinus direkodkan. Peringkat penentuan kedudukan atau jawapan RAG kemudian menggunakan teks yang diperoleh semula sebagai artifak berasingan. Profil ini tergolong dalam edisi pengekodan berasingan 0.6B 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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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 pemerolehan semula teks berbilang bahasa yang dikodkan secara berasingan. Konteks 32K, penyediaan teks langsung dan perwakilan natif INT8 atau binari 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 pemerolehan semula teks berbilang bahasa yang dikodkan secara berasingan. Konteks 32K, penyediaan teks langsung dan perwakilan natif INT8 atau binari menentukan profil indeks keluarga v1 yang lebih kecil ini.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9685c0a8e4652a3b7024195fa6f0b7c34f26596dfce367348a34711384a16a6b", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "f55e301d10dd9f637bfe6ea41c91c7a7b5fc18fa02051a116ace48f2e7051b8c" }