Perplexity: Embed V1 0.6B

Perplexity: Embed V1 0.6B es un modelo de embeddings de texto de Perplexity, lanzado el 16 de marzo de 2026. Pertenece a la familia pplx-embed-v1, que Perplexity describe como modelos de embeddings de texto de vanguardia construidos para recuperación del mundo real a escala web. La variante de 0.6B parámetros apunta a un uso ligero y de baja latencia, lo que la convierte en la opción más pequeña de la familia en lugar de la más grande.

El modelo toma texto como entrada y devuelve embeddings como salida, por lo que no genera prosa ni respuestas de chat. Está optimizado para la recuperación densa de texto estándar, que es el patrón común detrás de la búsqueda semántica y la coincidencia por similitud. La ventana de contexto es de 32,000 tokens, y la salida máxima se indica como 28,800. Solo se admite entrada de texto, y no se documentan parámetros de solicitud más allá de los básicos para este modelo.

Debido a que el modelo produce embeddings densos para recuperación, los casos de uso naturales son la búsqueda semántica sobre colecciones de documentos, los pipelines de generación aumentada por recuperación en los que necesitas obtener pasajes relevantes antes de pasarlos a un modelo de chat, la deduplicación o agrupamiento de texto, y los sistemas de recomendación o coincidencia que clasifican elementos por significado en lugar de por coincidencia de palabras clave. El tamaño de 0.6B y el enfoque en baja latencia se adaptan a cargas de trabajo en las que se generan embeddings de grandes volúmenes de texto, como indexar un corpus a escala web o manejar un alto rendimiento de consultas, y el contexto de 32,000 tokens significa que puedes generar embeddings de documentos bastante largos en una sola solicitud en lugar de dividirlos en fragmentos pequeños.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "perplexity/pplx-embed-v1-0.6b". Debido a que la interfaz sigue el formato de embeddings de OpenAI, envías tu texto como input y recibes un vector de vuelta, y las bibliotecas cliente de OpenAI existentes funcionan sin modificaciones una vez que las apuntas a la URL base de api14 y estableces ese id de modelo. La lista de parámetros admitidos para este modelo está vacía, así que planea enviar solo los campos requeridos y evita depender de ajustes opcionales como dimensions o anulaciones de encoding format.

Si tu tarea es generación de texto, resumen o conversación en lugar de recuperación, un modelo de embeddings es la herramienta equivocada y un modelo de chat o de completado encajará mejor. De manera similar, si necesitas embeddings multimodales sobre imágenes o audio, este modelo solo acepta texto. Dentro del trabajo de recuperación, el principal compromiso es el tamaño de 0.6B: está construido para servicio ligero y de baja latencia, así que si encuentras que la calidad de recuperación es insuficiente en un corpus exigente, puede valer la pena considerar un modelo de embeddings más grande.