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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Gere diretamente o embedding do texto real\n\nO 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.\n\nUma 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.\n\n### Representação nativa e comparação\n\nO 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.\n\nA 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.\n\n### Comprimento e limites dos documentos\n\nO 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.\n\nPreserve 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.\n\n### Edições independentes e contextuais\n\nO 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.\n\nO 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f50acd04745e75437fc951df1da44e22eced8fd8d78497bfc11844ea5e1bfdf7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "perplexity/pplx-embed-v1-4bPerplexity pplx-embed-v1-4B codifica texto independente em vetores de recuperação de 2560 dimensões, com um contexto de 32K. Não exige prefixo de instrução e produz nativamente embeddings INT8 não normalizados, comparados através da similaridade do cosseno.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
pplx-embed-v1-4B 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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites perplexity/pplx-embed-v1-4b | 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 $0.00006 / 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-v1-4b", "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
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-v1-4b
Use os caminhos dos métodos indicados acima.