pplx-embed-v1-0.6B er Perplexitys mindre, uavhengige embeddingmodell i v1-familien. Den omdanner forespørsels- eller dokumenttekst til en 1024-dimensjonal representasjon for gjenfinning og semantisk søk. Produsenten beskriver en Qwen3-basert familie tilpasset gjennom videreført forhåndstrening med diffusjon, med gjennomsnittspooling og en kontekst på 32K. Modellen koder den innsendte teksten direkte, uten et påkrevd instruksjonsprefiks.
En nyttig samling kan inneholde produktforklaringer, kunnskapsbaseseksjoner eller korte forskningsnotater. Gi hver tekst nok kildekontekst til å bli forstått når den returneres av søk: en overskrift, utsagnet som søkes og betingelsen som endrer betydningen. Behold originalteksten og postidentifikatoren ved siden av den resulterende embeddingvektoren.
Ved søk i notater bør et spørsmål om hva som endret seg i en prosess, gjenfinne notatet som beskriver endringen. Beregn embeddingvektoren for det faktiske spørsmålet og sammenlign den med de forberedte korpuspostene. Ikke legg til en annen modellfamilies query/passage-instruksjon som standard; direkte tekst er produsentens dokumenterte forberedelse for denne modellen.
Modellens egen representasjon er en unormalisert INT8-embedding. Perplexity anbefaler uttrykkelig cosinuslikhet til sammenligning. En rå prikkproduktskår på unormalisert resultat endrer sammenligningen fordi vektorens norm bidrar. Velg en søkeindeks og skåringsvei som kan tolke den valgte representasjonen og metrikken sammen.
Binærrepresentasjon er også dokumentert, og modelltabellen angir Matryoshka-støtte. Disse representasjonsvalgene kan være relevante for indekslagring, men komponentene og de pakkede bytene må tolkes korrekt. Det fulle resultatet på 1024 dimensjoner er forskjellig fra 4B-modellen med 2560 dimensjoner. En endring i modellstørrelse eller resultatrepresentasjon bør kontrolleres på forespørsels- og korpussiden fremfor å behandles som et automatisk felles rom.
Produsentens kontekstspesifikasjon er 32K. Et langt notat eller en dokumentseksjon kan romme mer omkringliggende forklaring enn en encoder med kort vindu, mens gjenfinningsenheten fortsatt trenger et tydelig formål. Velg om et treff skal returnere en hel seksjon eller en fokusert passasje som inneholder svaret. Hold definisjoner og unntak sammen med utsagnet de kvalifiserer.
For større kildemateriale bevarer du identifikatoren og versjonen til det overordnede dokumentet utenfor vektoren. Det lar søkeresultatet føre tilbake til kilden og lar endret tekst erstatte den tilsvarende representasjonen. Undersøk kandidatresultater for reelle spørsmål i den tilsiktede språkblandingen, og kontroller at passasjen gir den etterspurte informasjonen fremfor bare å omtale et lignende emne.
Modellkortet skiller denne uavhengige encoderen fra pplx-embed-context-v1-0.6B. Den kontekstuelle modellen bruker dokumentets omgivelser i representasjoner av dokumentstykker; den vanlige v1-modellen representerer hver innsendte tekst for seg. En liste med uavhengige strenger fastslår ikke at kontekstuell behandling av dokumentstykker fant sted.
Det nyttige resultatet er en korpusrepresentasjon eller forespørselsvektor knyttet til den faktiske kildeteksten, med det valgte INT8- eller binærformatet og cosinussammenligningen registrert. Et senere rangerings- eller RAG-svartrinn bruker den gjenfunne teksten som en separat artefakt. Denne profilen tilhører den nøyaktige uavhengige 0.6B-utgaven, ikke 4B- eller context-v1-modellene.
", "aboutText": "pplx-embed-v1-0.6B er Perplexitys mindre, uavhengige embeddingmodell i v1-familien. Den omdanner forespørsels- eller dokumenttekst til en 1024-dimensjonal representasjon for gjenfinning og semantisk søk. Produsenten beskriver en Qwen3-basert familie tilpasset gjennom videreført forhåndstrening med diffusjon, med gjennomsnittspooling og en kontekst på 32K. Modellen koder den innsendte teksten direkte, uten et påkrevd instruksjonsprefiks.\n\n### Forbered en uavhengig post\n\nEn nyttig samling kan inneholde produktforklaringer, kunnskapsbaseseksjoner eller korte forskningsnotater. Gi hver tekst nok kildekontekst til å bli forstått når den returneres av søk: en overskrift, utsagnet som søkes og betingelsen som endrer betydningen. Behold originalteksten og postidentifikatoren ved siden av den resulterende embeddingvektoren.\n\nVed søk i notater bør et spørsmål om hva som endret seg i en prosess, gjenfinne notatet som beskriver endringen. Beregn embeddingvektoren for det faktiske spørsmålet og sammenlign den med de forberedte korpuspostene. Ikke legg til en annen modellfamilies query/passage-instruksjon som standard; direkte tekst er produsentens dokumenterte forberedelse for denne modellen.\n\n### Kvantiserte vektorer og cosinussammenligning\n\nModellens egen representasjon er en unormalisert INT8-embedding. Perplexity anbefaler uttrykkelig cosinuslikhet til sammenligning. En rå prikkproduktskår på unormalisert resultat endrer sammenligningen fordi vektorens norm bidrar. Velg en søkeindeks og skåringsvei som kan tolke den valgte representasjonen og metrikken sammen.\n\nBinærrepresentasjon er også dokumentert, og modelltabellen angir Matryoshka-støtte. Disse representasjonsvalgene kan være relevante for indekslagring, men komponentene og de pakkede bytene må tolkes korrekt. Det fulle resultatet på 1024 dimensjoner er forskjellig fra 4B-modellen med 2560 dimensjoner. En endring i modellstørrelse eller resultatrepresentasjon bør kontrolleres på forespørsels- og korpussiden fremfor å behandles som et automatisk felles rom.\n\n### Bruk konteksten bevisst\n\nProdusentens kontekstspesifikasjon er 32K. Et langt notat eller en dokumentseksjon kan romme mer omkringliggende forklaring enn en encoder med kort vindu, mens gjenfinningsenheten fortsatt trenger et tydelig formål. Velg om et treff skal returnere en hel seksjon eller en fokusert passasje som inneholder svaret. Hold definisjoner og unntak sammen med utsagnet de kvalifiserer.\n\nFor større kildemateriale bevarer du identifikatoren og versjonen til det overordnede dokumentet utenfor vektoren. Det lar søkeresultatet føre tilbake til kilden og lar endret tekst erstatte den tilsvarende representasjonen. Undersøk kandidatresultater for reelle spørsmål i den tilsiktede språkblandingen, og kontroller at passasjen gir den etterspurte informasjonen fremfor bare å omtale et lignende emne.\n\n### Skill uavhengig og kontekstuell behandling\n\nModellkortet skiller denne uavhengige encoderen fra pplx-embed-context-v1-0.6B. Den kontekstuelle modellen bruker dokumentets omgivelser i representasjoner av dokumentstykker; den vanlige v1-modellen representerer hver innsendte tekst for seg. En liste med uavhengige strenger fastslår ikke at kontekstuell behandling av dokumentstykker fant sted.\n\nDet nyttige resultatet er en korpusrepresentasjon eller forespørselsvektor knyttet til den faktiske kildeteksten, med det valgte INT8- eller binærformatet og cosinussammenligningen registrert. Et senere rangerings- eller RAG-svartrinn bruker den gjenfunne teksten som en separat artefakt. Denne profilen tilhører den nøyaktige uavhengige 0.6B-utgaven, ikke 4B- eller context-v1-modellene.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "56eb8eaebf6de980a24775fac5e3ee2757dd89032ed25f96da2c0cf123e7c1c8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B produserer 1024-dimensjonale embeddinger for uavhengig flerspråklig tekstgjenfinning. Konteksten på 32K, direkte tekstforberedelse og opprinnelige INT8- eller binærrepresentasjoner definerer en mindre indeksprofil i v1-familien.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
pplx-embed-v1-0.6B er Perplexitys mindre, uavhengige embeddingmodell i v1-familien. Den omdanner forespørsels- eller dokumenttekst til en 1024-dimensjonal representasjon for gjenfinning og semantisk søk. Produsenten beskriver en Qwen3-basert familie tilpasset gjennom videreført forhåndstrening med diffusjon, med gjennomsnittspooling og en kontekst på 32K. Modellen koder den innsendte teksten direkte, uten et påkrevd instruksjonsprefiks.
En nyttig samling kan inneholde produktforklaringer, kunnskapsbaseseksjoner eller korte forskningsnotater. Gi hver tekst nok kildekontekst til å bli forstått når den returneres av søk: en overskrift, utsagnet som søkes og betingelsen som endrer betydningen. Behold originalteksten og postidentifikatoren ved siden av den resulterende embeddingvektoren.
Ved søk i notater bør et spørsmål om hva som endret seg i en prosess, gjenfinne notatet som beskriver endringen. Beregn embeddingvektoren for det faktiske spørsmålet og sammenlign den med de forberedte korpuspostene. Ikke legg til en annen modellfamilies query/passage-instruksjon som standard; direkte tekst er produsentens dokumenterte forberedelse for denne modellen.
Modellens egen representasjon er en unormalisert INT8-embedding. Perplexity anbefaler uttrykkelig cosinuslikhet til sammenligning. En rå prikkproduktskår på unormalisert resultat endrer sammenligningen fordi vektorens norm bidrar. Velg en søkeindeks og skåringsvei som kan tolke den valgte representasjonen og metrikken sammen.
Binærrepresentasjon er også dokumentert, og modelltabellen angir Matryoshka-støtte. Disse representasjonsvalgene kan være relevante for indekslagring, men komponentene og de pakkede bytene må tolkes korrekt. Det fulle resultatet på 1024 dimensjoner er forskjellig fra 4B-modellen med 2560 dimensjoner. En endring i modellstørrelse eller resultatrepresentasjon bør kontrolleres på forespørsels- og korpussiden fremfor å behandles som et automatisk felles rom.
Produsentens kontekstspesifikasjon er 32K. Et langt notat eller en dokumentseksjon kan romme mer omkringliggende forklaring enn en encoder med kort vindu, mens gjenfinningsenheten fortsatt trenger et tydelig formål. Velg om et treff skal returnere en hel seksjon eller en fokusert passasje som inneholder svaret. Hold definisjoner og unntak sammen med utsagnet de kvalifiserer.
For større kildemateriale bevarer du identifikatoren og versjonen til det overordnede dokumentet utenfor vektoren. Det lar søkeresultatet føre tilbake til kilden og lar endret tekst erstatte den tilsvarende representasjonen. Undersøk kandidatresultater for reelle spørsmål i den tilsiktede språkblandingen, og kontroller at passasjen gir den etterspurte informasjonen fremfor bare å omtale et lignende emne.
Modellkortet skiller denne uavhengige encoderen fra pplx-embed-context-v1-0.6B. Den kontekstuelle modellen bruker dokumentets omgivelser i representasjoner av dokumentstykker; den vanlige v1-modellen representerer hver innsendte tekst for seg. En liste med uavhengige strenger fastslår ikke at kontekstuell behandling av dokumentstykker fant sted.
Det nyttige resultatet er en korpusrepresentasjon eller forespørselsvektor knyttet til den faktiske kildeteksten, med det valgte INT8- eller binærformatet og cosinussammenligningen registrert. Et senere rangerings- eller RAG-svartrinn bruker den gjenfunne teksten som en separat artefakt. Denne profilen tilhører den nøyaktige uavhengige 0.6B-utgaven, ikke 4B- eller context-v1-modellene.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser perplexity/pplx-embed-v1-0.6b | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 32 000 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale32000 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000008 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Bruk metodestiene som vises ovenfor.