Perplexity: Embed V1 0.6B

Perplexity: Embed V1 0.6B هو نموذج تضمين نصي من Perplexity، صدر في 16 مارس 2026. ينتمي إلى عائلة pplx-embed-v1، التي تصفها Perplexity بأنها نماذج تضمين نصي متطورة مبنية للاسترجاع الواقعي على نطاق الويب. تستهدف النسخة ذات 0.6B معامل حالات الاستخدام الخفيفة ومنخفضة زمن الاستجابة، مما يجعلها الخيار الأصغر في العائلة وليس الأكبر.

يأخذ النموذج النص كمدخل ويعيد التضمينات كمخرج، لذا فهو لا يولّد نثراً أو ردود محادثة. وهو مُحسَّن لاسترجاع النصوص الكثيفة القياسي، وهو النمط الشائع وراء البحث الدلالي ومطابقة التشابه. نافذة السياق هي 32,000 رمز، والمخرج الأقصى مذكور عند 28,800. يُدعم إدخال النص فقط، ولا توجد معاملات طلب تتجاوز الأساسيات موثقة لهذا النموذج.

لأن النموذج ينتج تضمينات كثيفة للاسترجاع، فإن حالات الاستخدام الطبيعية هي البحث الدلالي عبر مجموعات المستندات، وخطوط أنابيب التوليد المعزز بالاسترجاع حيث تحتاج إلى جلب المقاطع ذات الصلة قبل تمريرها إلى نموذج محادثة، وإزالة التكرار أو تجميع النصوص، وأنظمة التوصية أو المطابقة التي ترتب العناصر حسب المعنى بدلاً من التداخل الكلماتي. حجم 0.6B والتركيز على زمن الاستجابة المنخفض يناسبان أعباء العمل التي تضمّن كميات كبيرة من النص، مثل فهرسة مجموعة على نطاق الويب أو التعامل مع معدل استعلامات مرتفع، وسياق 32,000 رمز يعني أنه يمكنك تضمين مستندات طويلة نسبياً في طلب واحد بدلاً من تقسيمها إلى مقاطع صغيرة.

تستدعي النموذج عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرّف النموذج "perplexity/pplx-embed-v1-0.6b". ولأن الواجهة تتبع تنسيق تضمينات OpenAI، فإنك ترسل نصك كمدخل وتستقبل متجهاً في المقابل، وتعمل مكتبات عميل OpenAI الحالية دون تعديل بمجرد توجيهها إلى عنوان api14 الأساسي وتعيين معرّف النموذج ذلك. قائمة المعاملات المدعومة لهذا النموذج فارغة، لذا خطط لإرسال الحقول المطلوبة فقط وتجنب الاعتماد على خيارات اختيارية مثل تجاوزات الأبعاد أو تنسيق الترميز.

إذا كانت مهمتك توليد النصوص أو التلخيص أو المحادثة بدلاً من الاسترجاع، فإن نموذج التضمين هو الأداة الخاطئة وسيكون نموذج محادثة أو إكمال أنسب. وبالمثل، إذا كنت تحتاج إلى تضمينات متعددة الوسائط للصور أو الصوت، فإن هذا النموذج يقبل النص فقط. ضمن عمل الاسترجاع، المقايضة الرئيسية هي حجم 0.6B: فهو مبني لتقديم خفيف ومنخفض زمن الاستجابة، لذا إذا وجدت جودة الاسترجاع غير كافية على مجموعة صعبة، فقد يستحق نموذج تضمين أكبر النظر فيه.