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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Prepare um registo independente\n\nUma 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.\n\nNuma 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.\n\n### Vetores quantizados e comparação por cosseno\n\nA 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.\n\nA 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.\n\n### Utilize o contexto deliberadamente\n\nA 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.\n\nPara 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.\n\n### Separe processamento independente e contextual\n\nA 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.\n\nA 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0210ee276434d9dfed466a718d1f703cbac7a1ae77fff7345276ee102359e35e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "perplexity/pplx-embed-v1-0.6bPerplexity pplx-embed-v1-0.6B produz embeddings de 1024 dimensões para recuperação independente de texto multilingue. O seu contexto de 32K, a preparação direta do texto e as representações nativas INT8 ou binárias definem um perfil de índice menor da família v1.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites perplexity/pplx-embed-v1-0.6b | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 32 000 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato32000 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.000008 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra perplexity/pplx-embed-v1-0.6b
Use os caminhos dos métodos indicados acima.