Perplexity: Embed V1 4B

pplx-embed-v1-4B er Perplexitys større, uavhengige tekstembeddingutgave i v1-familien. Den representerer forespørsler eller dokumenter som 2560-dimensjonale vektorer for semantisk søk og gjenfinning. Produsenten bygger familien på Qwen3 med videreført forhåndstrening med diffusjon og bruker gjennomsnittspooling for tekstrepresentasjonen. Denne uavhengige encoderen er atskilt fra pplx-embed-context-v1, som representerer dokumentstykker med den omkringliggende konteksten.

Beregn embeddingvektoren direkte fra den faktiske teksten

Modellen krever ikke en instruksjonsstreng eller et query/passage-prefiks. Forbered teksten du vil representere, fremfor å legge til en rollekonvensjon lånt fra en annen familie. En søkesamling kan inneholde kildedokumenter, fokuserte passasjer eller korte tekstposter. Hold hvert elements opprinnelige ordlyd og identifikator ved siden av vektoren, slik at et gjenfunnet resultat forblir lesbart og sporbart.

En praktisk oppgave er å gjenfinne en seksjon i en teknisk forklaring til et spørsmål om betingelsene. Bevar seksjonsoverskriften, regelen og unntaket samlet. Embeddingvektoren for forespørselens ordlyd beregnes uavhengig og sammenlignes deretter med de forberedte korpusrepresentasjonene. Et senere RAG-trinn bruker den returnerte passasjeteksten, ikke selve vektoren, som kildemateriale.

Opprinnelig representasjon og sammenligning

Produsenten sier uttrykkelig at de opprinnelige embeddingene er unormaliserte og INT8-kvantiserte. Sammenlign dem med cosinuslikhet. Et rått prikkprodukt på disse unormaliserte verdiene er ikke den dokumenterte ekvivalenten til cosinussammenligning. Representasjonstypen og likhetsfunksjonen hører derfor sammen når du velger hvordan en søkeindeks lagrer og sammenligner resultatet.

Modellkortet dokumenterer også binært resultat og angir støtte for Matryoshka-representasjoner. Binære komponenter og pakket lagring er forskjellig fra vanlige flyttallsarrays, så indeksen må tolke den valgte representasjonen. Den fulle embeddingdimensjonen beskriver representasjonens komponenter, ikke antall byte i enhver koding. Hold dimensjonen og resultattypen konsekvent på forespørsels- og dokumentsiden.

Lengde og dokumentgrenser

Modellens publiserte kontekst er 32K. Det lar omfattende tekst representeres, mens passasjenes detaljeringsgrad fortsatt bør følge hva søket skal returnere. En full seksjon kan bevare en definisjon og dens forbehold; et fokusert utdrag kan peke direkte på en instruksjon. For stort materiale bør forberedes rundt det valgte inndatavinduet fremfor å anta at den utelatte slutten fortsatt er representert.

Bevar identifikatoren for det overordnede dokumentet og kildeversjonen utenfor vektoren. Hvis teksten endres, oppdaterer du den tilsvarende korpusrepresentasjonen og beholder forbindelsen til den nye kilden. For en samling med flere språk undersøker du de faktiske spørsmålene og kandidatpassasjene i den tilsiktede språkblandingen fremfor å utlede lik relevans fra en flerspråklig betegnelse alene.

Uavhengige og kontekstuelle utgaver

v1-4B-modellen beregner embeddingvektoren for hver innsendte tekst uavhengig. Å legge flere strenger i en batch gjør den ikke til den separate context-v1-encoderen for dokumentstykker. Når dokumentet rundt må forme representasjonen av hvert stykke, tilhører oppgaven den kontekstuelle utgaven og dens egen forberedelse.

Den mindre pplx-embed-v1-0.6B returnerer 1024 dimensjoner, mens denne 4B-utgaven returnerer 2560. Hold de nøyaktige identitetene og indeksrepresentasjonene atskilt med mindre en dokumentert kompatibilitetsvei er etablert. Det nyttige resultatet her er en uavhengig forespørsels- eller kildetekstvektor, med cosinussammenligning og den valgte kvantiserte representasjonen registrert for gjenfinningsoppgaven.