Perplexity: Embed V1 4B

Perplexity: Embed V1 4B est un modèle d'embedding de texte de Perplexity, publié par le fournisseur le 16 mars 2026. Il appartient à la catégorie des embeddings plutôt qu'à celle des chats, ce qui signifie qu'il ne génère pas de réponses conversationnelles. Il transforme plutôt le texte en représentations vectorielles que vous stockez et dans lesquelles vous effectuez des recherches. Le 4B dans le nom fait référence au nombre de paramètres de cette variante, et Perplexity positionne la famille pplx-embed-v1 comme l'état de l'art pour la recherche à l'échelle du web dans le monde réel, le modèle 4B maximisant la qualité de recherche au sein de cette famille.

Le modèle accepte le texte comme seule modalité d'entrée et renvoie des embeddings comme seule modalité de sortie. Il prend en charge une longueur de contexte de 32000 tokens, de sorte qu'une seule requête peut couvrir un long document plutôt qu'un court extrait. La sortie maximale rapportée est de 28800. Comme la sortie est un vecteur plutôt que de la prose, il n'y a pas d'étape de génération de texte ni de comportement d'échantillonnage à régler. Vous envoyez du texte, vous recevez des représentations numériques en retour, et ce sont ces représentations qui portent le sens sémantique de l'entrée.

Les utilisations pratiques découlent directement de la recherche dense. Vous pouvez encoder un corpus de documents ou de pages web et stocker les vecteurs dans une base de données vectorielle, puis encoder une requête utilisateur et rechercher les voisins les plus proches. Ce schéma couvre la recherche sémantique, les pipelines de génération augmentée par récupération où un modèle de langage a besoin de passages pertinents avant de répondre, la déduplication et la détection de quasi-doublons, le clustering et le regroupement thématique, la classification en comparant les vecteurs à des exemples étiquetés, et les fonctionnalités de recommandation ou de similarité. Le contexte de 32000 tokens est utile lorsque les unités que vous souhaitez indexer sont longues : des articles complets, des pages de documentation ou de longs fils d'assistance plutôt que des phrases uniques.

Appeler le modèle via api14 fonctionne de la même manière que pour tout autre modèle sur la passerelle, car api14 expose une API compatible OpenAI. Vous définissez l'id du modèle sur perplexity/pplx-embed-v1-4b dans votre requête et envoyez votre texte en entrée. Comme le point de terminaison est compatible OpenAI, les bibliothèques clientes OpenAI existantes et les chemins de code fonctionnent généralement avec seulement l'URL de base, la clé et l'id du modèle modifiés. Le modèle ne rapporte aucun paramètre pris en charge, il n'y a donc pas de réglages supplémentaires tels que temperature ou top_p à configurer ; la requête est essentiellement du texte en entrée et des embeddings en sortie.

Un point à anticiper est l'absence de paramètres pris en charge. Si votre flux de travail dépend du réglage du comportement de génération, ce n'est pas le bon modèle, puisqu'il produit des embeddings et rien d'autre. C'est aussi un modèle à modalité unique, il ne peut donc pas traiter d'images ou d'audio. Si votre tâche est la génération, le résumé ou le dialogue plutôt que la recherche, un modèle de chat ou de complétion est le choix approprié, et ce modèle d'embedding s'intègre au mieux comme couche de recherche aux côtés d'un tel modèle.