{ "aboutHtml": "

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.

", "aboutText": "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.\n\n### Beregn embeddingvektoren direkte fra den faktiske teksten\n\nModellen 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.\n\nEn 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.\n\n### Opprinnelig representasjon og sammenligning\n\nProdusenten 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.\n\nModellkortet 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.\n\n### Lengde og dokumentgrenser\n\nModellens 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.\n\nBevar 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.\n\n### Uavhengige og kontekstuelle utgaver\n\nv1-4B-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.\n\nDen 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1d4b3a45e89bde7dbd1dc7aba8088c082bb3a20d8de7c11d1720f8da3ba8c449", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "
•

Perplexity: Embed V1 4B

Perplexity /perplexity/pplx-embed-v1-4b

Start

Perplexity pplx-embed-v1-4B koder uavhengig tekst til 2560-dimensjonale gjenfinningsvektorer med en kontekst på 32K. Den krever ikke noe instruksjonsprefiks og produserer direkte unormaliserte INT8-embeddingvektorer, som sammenlignes ved hjelp av cosinuslikhet.

Godkjente inndata
Tekst · token_ids
Resultater
embedding
Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

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.

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Vektorrepresentasjoner POST /v1/embeddings
Inndatatyper
text, token_ids
Utdatatyper
embedding
Kontekst
32 000 tokens
Utdataformat
json
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
perplexity/pplx-embed-v1-4b
Standard—
FeltinputTypestring|string[]|integer[]|integer[][]KravPåkrevdVerdier & 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_formatTypestringKravValgfrittVerdier & grenser
float
Standardfloat
FeltdimensionsTypeintegerKravStøttes ikkeVerdier & grenser
Minimum: 1
Standard—
FeltuserTypejson_valueKravValgfrittVerdier & grenser
Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.
Standard—
Feltsession_idTypejson_valueKravValgfrittVerdier & grenser
Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.
Standard—
FelttraceTypejson_valueKravValgfrittVerdier & grenser
Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.
Standard—
FeltproviderTypeobjectKravValgfrittVerdier & grenser
Vilkår: provider.options avvises
Standard—
Kombinasjoner av inngående materialer

text_to_embedding

Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, input
Parameterinput_shapesAvtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatAvtalefloat
Parameterdimensions_overrideAvtalefalse
Parametermax_input_budget_unitsAvtale32000
Parametermultimodal_objectsAvtalefalse
Parametermaterial_typesAvtaletext, token_ids

Livssyklus: synchronous_json

Bevar hver vektors indeks og dimensjon.

Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Standardpris Når hurtigmodus er valgt
Flex-modus
Standardpris Når flex-modus er valgt
Maksimal resonneringsinnsats
Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

KonfigurasjonPrisplanKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsKostnad
Inndata · Inngående tokener $0.00006 / 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 →

Eksempelforespørsler

Ailoot Ultra · Vektorrepresentasjoner

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\n

Motta og lagre resultater

Ailoot Ultra · Vektorrepresentasjoner

json

Behold alle ferdige resultater

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.

Hvis det opprinnelige svaret må kontrolleres

Det innføres ikke noe endepunkt for embedding-jobber.

Svarfelter
FeltType
FeltobjectTypestring
FeltmodelTypestring
Feltdata[].indexTypeinteger
Feltdata[].embeddingTypefinite float[]
FeltusageTypeobject
Feil og neste trinn
SvarVilkårNeste trinn
Svar400 · invalid_request_errorVilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdiNeste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel.

Aliaser

Modellaliaser

Ailoot Ultra perplexity/pplx-embed-v1-4b

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

perplexity/pplx-embed-v1-4b

", "method_identity": { "effective_request_model_id": "perplexity/pplx-embed-v1-4b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "perplexity/pplx-embed-v1-4b", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|perplexity%2Fpplx-embed-v1-4b", "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": "Ugyldige påkrevde felter, materialrepresentasjon eller parameterverdi", "http_status": 400, "recovery": "Korriger de angitte feltene før en ny opprettelsesforespørsel.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Det innføres ikke noe endepunkt for embedding-jobber." }, "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": "Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.", "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-v1-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8-byte", "token_unit": "elementer i token-arrayet" }, "conditions": "Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall.", "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": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options avvises", "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": [ "Bevar hver vektors indeks og dimensjon.", "Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien." ], "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": "Grunnpriser for tokener", "units": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b\", \"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\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-v1-4b',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": 0.06, "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": "Hurtigmodus", "value": "Standardpris", "when": "Når hurtigmodus er valgt" }, { "label": "Flex-modus", "value": "Standardpris", "when": "Når flex-modus er valgt" }, { "label": "Maksimal resonneringsinnsats", "value": "Standardpris", "when": "Når justeringen «default» brukes for maksimal resonneringsinnsats" } ], "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": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b", "nativeProvenance": { "input_facts_canonical_sha256": "8e52287f3a8f1bd4154016503f6041c20a07d8de74625550c8c987aa78dbfde0", "input_html_sha256": "91d4391d998a07665039b16b0c47de70fb0adb72ec37403b720da0123fa07acc", "private_audit_sha256": "3c6454cde5ec231362ea2427309c4e99292e4824e6a03512b12429d0dd7939bf", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/nb/perplexity-pplx-embed-v1-4b/", "description": "Perplexity pplx-embed-v1-4B koder uavhengig tekst til 2560-dimensjonale gjenfinningsvektorer med en kontekst på 32K. Den krever ikke noe instruksjonsprefiks og produserer direkte unormaliserte INT8-embeddingvektorer, som sammenlignes ved hjelp av cosinuslikhet.", "locale": "nb", "md_url": "https://ailoot.ai/models/nb/perplexity-pplx-embed-v1-4b/index.md", "title": "Perplexity: Embed V1 4B — Ailoot", "url": "https://ailoot.ai/models/nb/perplexity-pplx-embed-v1-4b/" }, "rawModel": { "about": "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.\n\n### Beregn embeddingvektoren direkte fra den faktiske teksten\n\nModellen 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.\n\nEn 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.\n\n### Opprinnelig representasjon og sammenligning\n\nProdusenten 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.\n\nModellkortet 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.\n\n### Lengde og dokumentgrenser\n\nModellens 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.\n\nBevar 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.\n\n### Uavhengige og kontekstuelle utgaver\n\nv1-4B-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.\n\nDen 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.", "alias_of": null, "aliases": [], "author": "Perplexity", "available": null, "canonical_model": "perplexity/pplx-embed-v1-4b", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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": "Fullstendige priser for konfigurasjonen finnes i detaljene." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "perplexity/pplx-embed-v1-4b", "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": "Ugyldige påkrevde felter, materialrepresentasjon eller parameterverdi", "http_status": 400, "recovery": "Korriger de angitte feltene før en ny opprettelsesforespørsel.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Det innføres ikke noe endepunkt for embedding-jobber." }, "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": "Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.", "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-v1-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8-byte", "token_unit": "elementer i token-arrayet" }, "conditions": "Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall.", "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": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options avvises", "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": [ "Bevar hver vektors indeks og dimensjon.", "Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien." ], "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": "Grunnpriser for tokener", "units": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b\", \"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\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-v1-4b',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": 0.06, "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": "Hurtigmodus", "value": "Standardpris", "when": "Når hurtigmodus er valgt" }, { "label": "Flex-modus", "value": "Standardpris", "when": "Når flex-modus er valgt" }, { "label": "Maksimal resonneringsinnsats", "value": "Standardpris", "when": "Når justeringen «default» brukes for maksimal resonneringsinnsats" } ], "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": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b", "request_model_id": "perplexity/pplx-embed-v1-4b", "route_label": "Ultra" } ], "name": "Perplexity: Embed V1 4B", "price": { "in": 0.06, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.06, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000006", "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-v1-4b", "short": "Perplexity pplx-embed-v1-4B koder uavhengig tekst til 2560-dimensjonale gjenfinningsvektorer med en kontekst på 32K. Den krever ikke noe instruksjonsprefiks og produserer direkte unormaliserte INT8-embeddingvektorer, som sammenlignes ved hjelp av cosinuslikhet." }, "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-v1-4B koder uavhengig tekst til 2560-dimensjonale gjenfinningsvektorer med en kontekst på 32K. Den krever ikke noe instruksjonsprefiks og produserer direkte unormaliserte INT8-embeddingvektorer, som sammenlignes ved hjelp av cosinuslikhet.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "b595de934b705aa49f0e16ab1d26209e09adda3fb17057688d88a9dd0235cf6e", "renderer_sha256": "c8cb5a92c10b47373d294dee7465d66796cd4710c6626fd81459dc0625fc6d26" }, "sourceRevision": "b75e94723aea802cee7f520d51d9fc032ef84ea12860be68c083d171078757ac" }