Perplexity: Embed V1 4B

Perplexity: Embed V1 4B ist ein Text-Embedding-Modell von Perplexity, das vom Anbieter am 16. März 2026 veröffentlicht wurde. Es gehört zur Kategorie der Embeddings und nicht zur Kategorie Chat, was bedeutet, dass es keine konversationellen Antworten generiert. Stattdessen wandelt es Text in Vektordarstellungen um, die Sie speichern und gegen die Sie suchen. Die 4B im Namen bezieht sich auf die Parameteranzahl dieser Variante, und Perplexity positioniert die pplx-embed-v1-Familie als State of the Art für Retrieval in der realen Welt und im Web-Maßstab, wobei das 4B-Modell die Retrieval-Qualität innerhalb dieser Familie maximiert.

Das Modell akzeptiert Text als einzige Eingabemodalität und gibt Embeddings als einzige Ausgabemodalität zurück. Es unterstützt eine Kontextlänge von 32000 Tokens, sodass eine einzelne Anfrage ein langes Dokument statt eines kurzen Ausschnitts abdecken kann. Die angegebene maximale Ausgabe beträgt 28800. Da die Ausgabe ein Vektor und keine Prosa ist, gibt es keinen Textgenerierungsschritt und kein Sampling-Verhalten zum Abstimmen. Sie senden Text hinein, Sie erhalten numerische Darstellungen zurück, und diese Darstellungen tragen die semantische Bedeutung der Eingabe.

Die praktischen Anwendungen ergeben sich direkt aus dichtem Retrieval. Sie können einen Korpus von Dokumenten oder Webseiten einbetten und die Vektoren in einer Vektordatenbank speichern, dann eine Benutzeranfrage einbetten und nach den nächsten Nachbarn suchen. Dieses Muster deckt semantische Suche ab, Retrieval-Augmented-Generation-Pipelines, bei denen ein Sprachmodell relevante Passagen benötigt, bevor es antwortet, Deduplizierung und Near-Duplicate-Erkennung, Clustering und Themengruppierung, Klassifizierung durch Vergleich von Vektoren mit gelabelten Beispielen sowie Empfehlungs- oder Ähnlichkeitsfunktionen. Der Kontext von 32000 Tokens ist nützlich, wenn die Einheiten, die Sie indexieren möchten, lang sind: vollständige Artikel, Dokumentationsseiten oder lange Support-Threads statt einzelner Sätze.

Der Aufruf des Modells über api14 funktioniert genauso wie bei jedem anderen Modell auf dem Gateway, weil api14 eine OpenAI-kompatible API bereitstellt. Sie setzen die Modell-ID in Ihrer Anfrage auf perplexity/pplx-embed-v1-4b und senden Ihren Text als Eingabe. Da der Endpunkt OpenAI-kompatibel ist, funktionieren bestehende OpenAI-Client-Bibliotheken und Codepfade im Allgemeinen, wenn nur Basis-URL, Schlüssel und Modell-ID geändert werden. Das Modell meldet keine unterstützten Parameter, es gibt also keine zusätzlichen Stellschrauben wie temperature oder top_p zu konfigurieren; die Anfrage ist im Wesentlichen Text hinein und Embeddings heraus.

Eine Sache, die Sie einplanen sollten, ist das Fehlen unterstützter Parameter. Wenn Ihr Workflow von der Abstimmung des Generierungsverhaltens abhängt, ist dies nicht das richtige Modell, da es Embeddings und sonst nichts erzeugt. Es ist außerdem ein Single-Modalität-Modell, kann also keine Bilder oder Audio verarbeiten. Wenn Ihre Aufgabe Generierung, Zusammenfassung oder Dialog statt Retrieval ist, ist ein Chat- oder Completion-Modell die passende Wahl, und dieses Embedding-Modell passt am besten als Retrieval-Schicht daneben.