pplx-embed-v1-4B is de grotere onafhankelijke tekstembeddingeditie van Perplexity in de v1-familie. Het representeert zoekvragen of documenten als 2560-dimensionale vectoren voor semantisch zoeken en informatieopvraging. De fabrikant bouwt de familie op Qwen3 met voortgezette voortraining met diffusie en gebruikt mean pooling voor de tekstrepresentatie. Deze onafhankelijke encoder is onderscheiden van pplx-embed-context-v1, dat documentfragmenten met behulp van de omringende context representeert.
Het model vereist geen instructietekenreeks of query/passage-prefix. Bereid de tekst voor die u wilt representeren in plaats van een rolconventie uit een andere familie toe te voegen. Een zoekverzameling kan brondocumenten, gerichte passages of korte tekstrecords bevatten. Bewaar de oorspronkelijke bewoordingen en identifier van elk item bij de vector, zodat een opgehaald resultaat leesbaar en traceerbaar blijft.
Een praktische taak is het ophalen van een sectie uit een technische uitleg voor een vraag over de voorwaarden ervan. Bewaar de sectiekop, regel en uitzondering samen. De zoekvraag wordt onafhankelijk ingebed en vervolgens met de voorbereide corpusrepresentaties vergeleken. Een latere RAG-fase gebruikt de geretourneerde passagetekst, niet de vector zelf, als bronmateriaal.
De maker stelt expliciet dat de native embeddings niet-genormaliseerd en INT8-gekwantiseerd zijn. Vergelijk ze met cosinusgelijkenis. Een ruw inproduct op die niet-genormaliseerde waarden is geen gedocumenteerd equivalent van cosinusvergelijking. Het representatietype en de gelijkenisfunctie horen dus bij elkaar wanneer u kiest hoe een zoekindex de uitvoer opslaat en vergelijkt.
De modelkaart documenteert ook binaire uitvoer en geeft ondersteuning voor Matryoshka-representaties aan. Binaire componenten en hun gepakte opslag verschillen van gewone arrays met drijvende-kommagetallen, dus de index moet de gekozen representatie interpreteren. De volledige embeddingdimensie beschrijft de componenten van de representatie, niet het aantal bytes in elke codering. Houd dimensie en uitvoertype consistent tussen de zoekvraag- en documentzijde.
De gepubliceerde context van het model is 32K. Dat maakt het mogelijk een aanzienlijke hoeveelheid tekst te representeren, terwijl de passagegranulariteit nog steeds moet volgen wat de zoekfunctie moet teruggeven. Een volledige sectie kan een definitie en de bijbehorende nuanceringen behouden; een gericht fragment kan rechtstreeks naar een instructie wijzen. Bereid te groot materiaal rond het gekozen invoervenster voor in plaats van aan te nemen dat het weggelaten einde gerepresenteerd blijft.
Bewaar een identifier van het bovenliggende document en de bronversie buiten de vector. Werk bij tekstwijzigingen de bijbehorende corpusrepresentatie bij en behoud de koppeling aan de nieuwe bron. Onderzoek bij een verzameling met meerdere talen de daadwerkelijke vragen en kandidaatpassages in de beoogde talenmix in plaats van uit een meertalig label alleen gelijke relevantie af te leiden.
Het v1-4B-model embedt elke aangeleverde tekst onafhankelijk. Verschillende tekenreeksen aan een batch toevoegen verandert het model niet in de afzonderlijke context-v1-fragmentencoder. Wanneer het omringende document de representatie van elk fragment moet beïnvloeden, hoort die taak bij de contextuele editie en haar eigen voorbereiding.
Het kleinere pplx-embed-v1-0.6B retourneert 1024 dimensies, terwijl deze 4B-editie er 2560 retourneert. Houd hun exacte identiteiten en indexrepresentaties gescheiden, tenzij een gedocumenteerd compatibiliteitspad is vastgesteld. Het bruikbare resultaat is hier een onafhankelijke zoekvraag- of brontekstvector, met cosinusvergelijking en de gekozen gekwantiseerde representatie vastgelegd voor de zoektaak.
", "aboutText": "pplx-embed-v1-4B is de grotere onafhankelijke tekstembeddingeditie van Perplexity in de v1-familie. Het representeert zoekvragen of documenten als 2560-dimensionale vectoren voor semantisch zoeken en informatieopvraging. De fabrikant bouwt de familie op Qwen3 met voortgezette voortraining met diffusie en gebruikt mean pooling voor de tekstrepresentatie. Deze onafhankelijke encoder is onderscheiden van pplx-embed-context-v1, dat documentfragmenten met behulp van de omringende context representeert.\n\n### Embed de daadwerkelijke tekst rechtstreeks\n\nHet model vereist geen instructietekenreeks of query/passage-prefix. Bereid de tekst voor die u wilt representeren in plaats van een rolconventie uit een andere familie toe te voegen. Een zoekverzameling kan brondocumenten, gerichte passages of korte tekstrecords bevatten. Bewaar de oorspronkelijke bewoordingen en identifier van elk item bij de vector, zodat een opgehaald resultaat leesbaar en traceerbaar blijft.\n\nEen praktische taak is het ophalen van een sectie uit een technische uitleg voor een vraag over de voorwaarden ervan. Bewaar de sectiekop, regel en uitzondering samen. De zoekvraag wordt onafhankelijk ingebed en vervolgens met de voorbereide corpusrepresentaties vergeleken. Een latere RAG-fase gebruikt de geretourneerde passagetekst, niet de vector zelf, als bronmateriaal.\n\n### Native representatie en vergelijking\n\nDe maker stelt expliciet dat de native embeddings niet-genormaliseerd en INT8-gekwantiseerd zijn. Vergelijk ze met cosinusgelijkenis. Een ruw inproduct op die niet-genormaliseerde waarden is geen gedocumenteerd equivalent van cosinusvergelijking. Het representatietype en de gelijkenisfunctie horen dus bij elkaar wanneer u kiest hoe een zoekindex de uitvoer opslaat en vergelijkt.\n\nDe modelkaart documenteert ook binaire uitvoer en geeft ondersteuning voor Matryoshka-representaties aan. Binaire componenten en hun gepakte opslag verschillen van gewone arrays met drijvende-kommagetallen, dus de index moet de gekozen representatie interpreteren. De volledige embeddingdimensie beschrijft de componenten van de representatie, niet het aantal bytes in elke codering. Houd dimensie en uitvoertype consistent tussen de zoekvraag- en documentzijde.\n\n### Lengte en documentgrenzen\n\nDe gepubliceerde context van het model is 32K. Dat maakt het mogelijk een aanzienlijke hoeveelheid tekst te representeren, terwijl de passagegranulariteit nog steeds moet volgen wat de zoekfunctie moet teruggeven. Een volledige sectie kan een definitie en de bijbehorende nuanceringen behouden; een gericht fragment kan rechtstreeks naar een instructie wijzen. Bereid te groot materiaal rond het gekozen invoervenster voor in plaats van aan te nemen dat het weggelaten einde gerepresenteerd blijft.\n\nBewaar een identifier van het bovenliggende document en de bronversie buiten de vector. Werk bij tekstwijzigingen de bijbehorende corpusrepresentatie bij en behoud de koppeling aan de nieuwe bron. Onderzoek bij een verzameling met meerdere talen de daadwerkelijke vragen en kandidaatpassages in de beoogde talenmix in plaats van uit een meertalig label alleen gelijke relevantie af te leiden.\n\n### Onafhankelijke en contextuele edities\n\nHet v1-4B-model embedt elke aangeleverde tekst onafhankelijk. Verschillende tekenreeksen aan een batch toevoegen verandert het model niet in de afzonderlijke context-v1-fragmentencoder. Wanneer het omringende document de representatie van elk fragment moet beïnvloeden, hoort die taak bij de contextuele editie en haar eigen voorbereiding.\n\nHet kleinere pplx-embed-v1-0.6B retourneert 1024 dimensies, terwijl deze 4B-editie er 2560 retourneert. Houd hun exacte identiteiten en indexrepresentaties gescheiden, tenzij een gedocumenteerd compatibiliteitspad is vastgesteld. Het bruikbare resultaat is hier een onafhankelijke zoekvraag- of brontekstvector, met cosinusvergelijking en de gekozen gekwantiseerde representatie vastgelegd voor de zoektaak.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5a454e0688e9310c41d8b1cad87cadea1bd9694359a09029e2681523a588b75f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B codeert zelfstandige tekst in zoekvectoren met 2560 dimensies en een context van 32K. Het vereist geen instructievoorvoegsel en levert standaard niet-genormaliseerde INT8-embeddings, die met cosinusgelijkenis worden vergeleken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
pplx-embed-v1-4B is de grotere onafhankelijke tekstembeddingeditie van Perplexity in de v1-familie. Het representeert zoekvragen of documenten als 2560-dimensionale vectoren voor semantisch zoeken en informatieopvraging. De fabrikant bouwt de familie op Qwen3 met voortgezette voortraining met diffusie en gebruikt mean pooling voor de tekstrepresentatie. Deze onafhankelijke encoder is onderscheiden van pplx-embed-context-v1, dat documentfragmenten met behulp van de omringende context representeert.
Het model vereist geen instructietekenreeks of query/passage-prefix. Bereid de tekst voor die u wilt representeren in plaats van een rolconventie uit een andere familie toe te voegen. Een zoekverzameling kan brondocumenten, gerichte passages of korte tekstrecords bevatten. Bewaar de oorspronkelijke bewoordingen en identifier van elk item bij de vector, zodat een opgehaald resultaat leesbaar en traceerbaar blijft.
Een praktische taak is het ophalen van een sectie uit een technische uitleg voor een vraag over de voorwaarden ervan. Bewaar de sectiekop, regel en uitzondering samen. De zoekvraag wordt onafhankelijk ingebed en vervolgens met de voorbereide corpusrepresentaties vergeleken. Een latere RAG-fase gebruikt de geretourneerde passagetekst, niet de vector zelf, als bronmateriaal.
De maker stelt expliciet dat de native embeddings niet-genormaliseerd en INT8-gekwantiseerd zijn. Vergelijk ze met cosinusgelijkenis. Een ruw inproduct op die niet-genormaliseerde waarden is geen gedocumenteerd equivalent van cosinusvergelijking. Het representatietype en de gelijkenisfunctie horen dus bij elkaar wanneer u kiest hoe een zoekindex de uitvoer opslaat en vergelijkt.
De modelkaart documenteert ook binaire uitvoer en geeft ondersteuning voor Matryoshka-representaties aan. Binaire componenten en hun gepakte opslag verschillen van gewone arrays met drijvende-kommagetallen, dus de index moet de gekozen representatie interpreteren. De volledige embeddingdimensie beschrijft de componenten van de representatie, niet het aantal bytes in elke codering. Houd dimensie en uitvoertype consistent tussen de zoekvraag- en documentzijde.
De gepubliceerde context van het model is 32K. Dat maakt het mogelijk een aanzienlijke hoeveelheid tekst te representeren, terwijl de passagegranulariteit nog steeds moet volgen wat de zoekfunctie moet teruggeven. Een volledige sectie kan een definitie en de bijbehorende nuanceringen behouden; een gericht fragment kan rechtstreeks naar een instructie wijzen. Bereid te groot materiaal rond het gekozen invoervenster voor in plaats van aan te nemen dat het weggelaten einde gerepresenteerd blijft.
Bewaar een identifier van het bovenliggende document en de bronversie buiten de vector. Werk bij tekstwijzigingen de bijbehorende corpusrepresentatie bij en behoud de koppeling aan de nieuwe bron. Onderzoek bij een verzameling met meerdere talen de daadwerkelijke vragen en kandidaatpassages in de beoogde talenmix in plaats van uit een meertalig label alleen gelijke relevantie af te leiden.
Het v1-4B-model embedt elke aangeleverde tekst onafhankelijk. Verschillende tekenreeksen aan een batch toevoegen verandert het model niet in de afzonderlijke context-v1-fragmentencoder. Wanneer het omringende document de representatie van elk fragment moet beïnvloeden, hoort die taak bij de contextuele editie en haar eigen voorbereiding.
Het kleinere pplx-embed-v1-0.6B retourneert 1024 dimensies, terwijl deze 4B-editie er 2560 retourneert. Houd hun exacte identiteiten en indexrepresentaties gescheiden, tenzij een gedocumenteerd compatibiliteitspad is vastgesteld. Het bruikbare resultaat is hier een onafhankelijke zoekvraag- of brontekstvector, met cosinusvergelijking en de gekozen gekwantiseerde representatie vastgelegd voor de zoektaak.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten perplexity/pplx-embed-v1-4b | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID’s zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 32.000 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract32000 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en dimensie.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00006 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "perplexity/pplx-embed-v1-4b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='perplexity/pplx-embed-v1-4b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra perplexity/pplx-embed-v1-4b
Gebruik de hierboven getoonde methodepaden.