Perplexity: Embed V1 4B

Perplexity: Embed V1 4B è un modello di embedding testuale di Perplexity, rilasciato dal provider il 16 marzo 2026. Appartiene alla categoria degli embedding e non a quella della chat, il che significa che non genera risposte conversazionali. Trasforma invece il testo in rappresentazioni vettoriali che si archiviano e su cui si effettuano ricerche. Il 4B nel nome si riferisce al numero di parametri di questa variante, e Perplexity posiziona la famiglia pplx-embed-v1 come stato dell'arte per il retrieval su scala web nel mondo reale, con il modello 4B che massimizza la qualità del retrieval all'interno di quella famiglia.

Il modello accetta testo come unica modalità di input e restituisce embedding come unica modalità di output. Supporta una lunghezza di contesto di 32000 token, quindi una singola richiesta può coprire un documento lungo anziché un breve frammento. L'output massimo dichiarato è 28800. Poiché l'output è un vettore e non prosa, non c'è alcuno step di generazione testuale né comportamento di campionamento da regolare. Si invia del testo, si ricevono indietro rappresentazioni numeriche, e sono quelle rappresentazioni a trasportare il significato semantico dell'input.

Gli usi pratici derivano direttamente dal dense retrieval. È possibile calcolare l'embedding di un corpus di documenti o pagine web e archiviare i vettori in un database vettoriale, poi calcolare l'embedding di una query utente e cercare i vicini più prossimi. Questo schema copre la ricerca semantica, le pipeline di retrieval augmented generation in cui un modello linguistico necessita di passaggi rilevanti prima di rispondere, la deduplicazione e il rilevamento di quasi duplicati, il clustering e il raggruppamento per argomento, la classificazione confrontando i vettori con esempi etichettati, e le funzionalità di raccomandazione o similarità. Il contesto di 32000 token è utile quando le unità che si desidera indicizzare sono lunghe: articoli completi, pagine di documentazione o lunghe discussioni di supporto anziché singole frasi.

Chiamare il modello tramite api14 funziona allo stesso modo di qualsiasi altro modello sul gateway, perché api14 espone un'API compatibile con OpenAI. Si imposta l'id del modello su perplexity/pplx-embed-v1-4b nella richiesta e si invia il testo come input. Poiché l'endpoint è compatibile con OpenAI, le librerie client OpenAI esistenti e i percorsi di codice generalmente funzionano cambiando solo l'URL di base, la chiave e l'id del modello. Il modello non dichiara parametri supportati, quindi non ci sono manopole aggiuntive come temperature o top_p da configurare; la richiesta è essenzialmente testo in ingresso ed embedding in uscita.

Una cosa da considerare è l'assenza di parametri supportati. Se il flusso di lavoro dipende dalla regolazione del comportamento di generazione, questo non è il modello giusto, poiché produce embedding e nulla più. È anche un modello a modalità singola, quindi non può gestire immagini o audio. Se il compito è generazione, riassunto o dialogo anziché retrieval, un modello di chat o di completamento è la scelta appropriata, e questo modello di embedding si adatta meglio come livello di retrieval insieme a uno di essi.