Perplexity: Embed V1 4B

Perplexity: Embed V1 4B es un modelo de embedding de texto de Perplexity, publicado por el proveedor el 16 de marzo de 2026. Pertenece a la categoría de embeddings en lugar de la categoría de chat, lo que significa que no genera respuestas conversacionales. En su lugar, convierte el texto en representaciones vectoriales que almacenas y sobre las que buscas. El 4B del nombre se refiere al número de parámetros de esta variante, y Perplexity posiciona la familia pplx-embed-v1 como el estado del arte para la recuperación en el mundo real y a escala web, con el modelo 4B maximizando la calidad de recuperación dentro de esa familia.

El modelo acepta texto como su única modalidad de entrada y devuelve embeddings como su única modalidad de salida. Admite una longitud de contexto de 32000 tokens, por lo que una sola solicitud puede cubrir un documento largo en lugar de un fragmento corto. La salida máxima reportada es 28800. Debido a que la salida es un vector en lugar de texto en prosa, no hay paso de generación de texto ni comportamiento de muestreo que ajustar. Envías texto y recibes representaciones numéricas, y esas representaciones son las que llevan el significado semántico de la entrada.

Los usos prácticos se derivan directamente de la recuperación densa. Puedes generar embeddings de un corpus de documentos o páginas web y almacenar los vectores en una base de datos vectorial, luego generar el embedding de una consulta de usuario y buscar los vecinos más cercanos. Ese patrón cubre la búsqueda semántica, los pipelines de generación aumentada por recuperación donde un modelo de lenguaje necesita pasajes relevantes antes de responder, la deduplicación y detección de cuasi duplicados, el clustering y agrupación por temas, la clasificación comparando vectores con ejemplos etiquetados, y las funciones de recomendación o similitud. El contexto de 32000 tokens es útil cuando las unidades que quieres indexar son largas: artículos completos, páginas de documentación o hilos de soporte largos en lugar de frases sueltas.

Llamar al modelo a través de api14 funciona igual que con cualquier otro modelo en el gateway, porque api14 expone una API compatible con OpenAI. Estableces el id del modelo como perplexity/pplx-embed-v1-4b en tu solicitud y envías tu texto como entrada. Debido a que el endpoint es compatible con OpenAI, las bibliotecas cliente de OpenAI existentes y las rutas de código generalmente funcionan con solo cambiar la URL base, la clave y el id del modelo. El modelo no reporta parámetros admitidos, por lo que no hay controles adicionales como temperature o top_p que configurar; la solicitud es esencialmente texto de entrada y embeddings de salida.

Algo que debes prever es la ausencia de parámetros admitidos. Si tu flujo de trabajo depende de ajustar el comportamiento de generación, este no es el modelo adecuado, ya que produce embeddings y nada más. También es un modelo de una sola modalidad, por lo que no puede manejar imágenes ni audio. Si tu tarea es generación, resumen o diálogo en lugar de recuperación, un modelo de chat o de completado es la opción apropiada, y este modelo de embedding encaja mejor como la capa de recuperación junto a uno.