Perplexity: Embed V1 4B

pplx-embed-v1-4B é a edição maior de embeddings de texto independentes da Perplexity na família v1. Representa consultas ou documentos como vetores de 2560 dimensões para pesquisa semântica e recuperação. O fabricante constrói a família sobre Qwen3, com pré-treino continuado por difusão, e utiliza mean pooling para a representação do texto. Este codificador independente é distinto de pplx-embed-context-v1, que representa fragmentos de documentos utilizando o contexto circundante.

Gere diretamente o embedding do texto real

O modelo não exige uma cadeia de instruções nem um prefixo de consulta/passagem. Prepare o texto que pretende representar, em vez de acrescentar uma convenção de papéis emprestada de outra família. Uma coleção de pesquisa pode conter documentos de origem, passagens focadas ou registos de texto curtos. Mantenha a formulação original e o identificador de cada elemento junto do respetivo vetor, para que um resultado recuperado continue legível e rastreável.

Uma tarefa prática é recuperar uma secção de uma explicação técnica para uma pergunta sobre as suas condições. Preserve em conjunto o título da secção, a regra e a exceção. A formulação da consulta é codificada independentemente e depois comparada com as representações preparadas do corpus. Uma etapa RAG posterior utiliza o texto da passagem devolvida, não o próprio vetor, como material de origem.

Representação nativa e comparação

O fabricante declara explicitamente que os embeddings nativos não são normalizados e são quantizados em INT8. Compare-os através de similaridade do cosseno. Um produto escalar em bruto destes valores não normalizados não é o equivalente documentado da comparação por cosseno. O tipo de representação e a função de similaridade devem, por isso, estar associados ao escolher como um índice de pesquisa armazena e compara a saída.

A ficha do modelo também documenta saída binária e assinala suporte para representações Matryoshka. Os componentes binários e o respetivo armazenamento compactado são diferentes de arrays comuns de vírgula flutuante, pelo que o índice tem de interpretar a representação selecionada. A dimensão completa do embedding descreve os componentes da representação, não o número de bytes em todas as codificações. Mantenha a dimensão e o tipo de saída consistentes entre o lado da consulta e o dos documentos.

Comprimento e limites dos documentos

O contexto publicado do modelo é de 32K. Isso permite representar texto substancial, embora a granularidade das passagens deva continuar a seguir aquilo que a pesquisa pretende devolver. Uma secção completa pode conservar uma definição e as suas ressalvas; um excerto focado pode apontar diretamente para uma instrução. Material demasiado extenso deve ser preparado em função da janela de entrada escolhida, em vez de se assumir que a parte final omitida continua representada.

Preserve um identificador do documento principal e a versão da fonte fora do vetor. Se o texto mudar, atualize a representação correspondente do corpus e mantenha a ligação à nova fonte. Numa coleção com várias línguas, examine as perguntas reais e as passagens candidatas na combinação linguística prevista, em vez de inferir igual relevância apenas a partir de uma designação multilingue.

Edições independentes e contextuais

O modelo v1-4B gera o embedding de cada texto fornecido de forma independente. Acrescentar várias cadeias a um lote não o transforma no codificador separado de fragmentos context-v1. Quando o documento circundante deve moldar a representação de cada fragmento, essa tarefa pertence à edição contextual e à sua própria preparação.

O modelo menor pplx-embed-v1-0.6B devolve 1024 dimensões, enquanto esta edição 4B devolve 2560. Mantenha as suas identidades exatas e representações de índice separadas, a menos que esteja estabelecida uma via de compatibilidade documentada. O resultado útil aqui é um vetor independente de consulta ou de texto de origem, com a comparação por cosseno e a representação quantizada selecionada registadas para a tarefa de recuperação.