Perplexity: Embed V1 0.6B

Perplexity: Embed V1 0.6B is een tekstembeddingmodel van Perplexity, uitgebracht op 16 maart 2026. Het behoort tot de pplx-embed-v1-familie, die Perplexity beschrijft als state of the art tekstembeddingmodellen gebouwd voor retrieval in de echte wereld op webschaal. De variant met 0,6B parameters is gericht op lichtgewicht gebruik met lage latentie, waardoor het de kleinere optie in de familie is in plaats van de grootste.

Het model neemt tekst als invoer en retourneert embeddings als uitvoer, dus het genereert geen proza of chatantwoorden. Het is geoptimaliseerd voor standaard dense tekstretrieval, het gangbare patroon achter semantisch zoeken en similarity matching. Het contextvenster is 32.000 tokens, en de maximale uitvoer wordt vermeld als 28.800. Alleen tekstinvoer wordt ondersteund, en er zijn geen aanvraagparameters buiten de basis gedocumenteerd voor dit model.

Omdat het model dense embeddings voor retrieval produceert, zijn de natuurlijke use cases semantisch zoeken over documentverzamelingen, retrieval augmented generation-pipelines waarbij je relevante passages moet ophalen voordat je ze aan een chatmodel doorgeeft, deduplicatie of clustering van tekst, en aanbevelings- of matchingsystemen die items rangschikken op betekenis in plaats van op trefwoordoverlap. De grootte van 0,6B en de focus op lage latentie passen bij workloads waarbij je grote hoeveelheden tekst embedt, zoals het indexeren van een corpus op webschaal of het verwerken van een hoge querydoorvoer, en de context van 32.000 tokens betekent dat je behoorlijk lange documenten in één aanvraag kunt embedden in plaats van ze op te splitsen in kleine stukken.

Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "perplexity/pplx-embed-v1-0.6b". Omdat de interface het OpenAI embeddings-formaat volgt, stuur je je tekst als input en krijg je een vector terug, en bestaande OpenAI-clientbibliotheken werken zonder wijziging zodra je ze op de api14 base URL richt en dat model-id instelt. De lijst met ondersteunde parameters voor dit model is leeg, dus reken erop dat je alleen de vereiste velden verstuurt en vermijd het vertrouwen op optionele instellingen zoals overschrijvingen van dimensions of encoding format.

Als je taak tekstgeneratie, samenvatting of conversatie is in plaats van retrieval, dan is een embeddingsmodel het verkeerde hulpmiddel en past een chat- of completionmodel beter. Evenzo, als je multimodale embeddings over afbeeldingen of audio nodig hebt, accepteert dit model alleen tekst. Binnen retrievalwerk is de belangrijkste afweging de grootte van 0,6B: het is gebouwd voor lichtgewicht serving met lage latentie, dus als je retrievalkwaliteit onvoldoende vindt op een veeleisend corpus, kan een groter embeddingmodel het overwegen waard zijn.