Perplexity: Embed V1 0.6B

pplx-embed-v1-0.6B é o modelo menor de embeddings independentes da Perplexity na família v1. Transforma o texto de uma consulta ou documento numa representação de 1024 dimensões para recuperação e pesquisa semântica. O fabricante descreve uma família baseada em Qwen3, adaptada através de pré-treino continuado por difusão, com mean pooling e um contexto de 32K. O modelo codifica diretamente o texto fornecido, sem exigir um prefixo de instrução.

Prepare um registo independente

Uma coleção útil pode conter explicações de produtos, secções de uma base de conhecimento ou notas curtas de investigação. Dê a cada texto contexto de origem suficiente para ser compreendido quando for devolvido pela pesquisa: um título, a afirmação procurada e a condição que altera o seu significado. Mantenha o texto original e o identificador do registo junto do embedding resultante.

Numa tarefa de pesquisa de notas, uma pergunta sobre o que mudou num processo deve recuperar a nota que descreve essa alteração. Gere o embedding da pergunta real e compare-o com os registos preparados do corpus. Não acrescente por predefinição a instrução de consulta/passagem de outra família de modelos; o texto direto é a preparação documentada pelo fabricante para este modelo.

Vetores quantizados e comparação por cosseno

A representação nativa é um embedding INT8 não normalizado. A Perplexity recomenda explicitamente a similaridade do cosseno para comparação. Uma pontuação de produto escalar em bruto sobre a saída não normalizada altera a comparação, porque a magnitude do vetor contribui para ela. Selecione um índice de pesquisa e um percurso de pontuação que consigam interpretar em conjunto a representação e a métrica escolhidas.

A representação binária também está documentada, e a tabela do modelo identifica suporte para Matryoshka. Essas opções de representação podem ser relevantes para o armazenamento do índice, mas os seus componentes e bytes compactados têm de ser interpretados corretamente. A saída completa de 1024 dimensões é distinta da do modelo 4B de 2560 dimensões. Uma alteração do tamanho do modelo ou da representação de saída deve ser verificada nos lados da consulta e do corpus, em vez de ser tratada como um espaço comum automático.

Utilize o contexto deliberadamente

A especificação de contexto do fabricante é de 32K. Uma nota longa ou uma secção de documento pode conter mais explicação circundante do que num codificador de janela curta, embora a unidade de recuperação continue a precisar de um propósito claro. Escolha se um resultado deve devolver uma secção inteira ou uma passagem focada que contenha a resposta. Mantenha as definições e exceções junto da afirmação que qualificam.

Para material de origem maior, conserve o identificador do documento principal e a versão fora do vetor. Isto permite que o resultado de pesquisa conduza à fonte e que texto alterado substitua a sua representação correspondente. Examine os resultados candidatos para perguntas reais na combinação linguística prevista e verifique se a passagem fornece a informação pedida, em vez de apenas abordar um assunto semelhante.

Separe processamento independente e contextual

A ficha do modelo distingue este codificador independente de pplx-embed-context-v1-0.6B. O modelo contextual utiliza o contexto circundante do documento nas representações dos fragmentos; o modelo v1 comum representa cada texto fornecido por si só. Uma lista de cadeias independentes não demonstra que tenha ocorrido processamento contextual de fragmentos.

A saída útil é uma representação do corpus ou um vetor de consulta ligado ao texto de origem real, com o formato INT8 ou binário selecionado e a comparação por cosseno registados. Uma etapa posterior de ordenação ou de resposta RAG utiliza o texto recuperado como artefacto separado. Este perfil pertence à edição independente exata 0.6B, não aos modelos 4B ou context-v1.