Perplexity: Embed V1 0.6B

Perplexity: Embed V1 0.6B är en textinbäddningsmodell från Perplexity, släppt den 16 mars 2026. Den tillhör familjen pplx-embed-v1, som Perplexity beskriver som toppmoderna textinbäddningsmodeller byggda för verklighetsnära återvinning i webbskala. Varianten med 0,6B parametrar riktar sig mot lättviktig användning med låg latens, vilket gör den till det mindre alternativet i familjen snarare än det största.

Modellen tar text som indata och returnerar inbäddningar som utdata, så den genererar inte prosa eller chattssvar. Den är optimerad för standardiserad tät textåtervinning, vilket är det vanliga mönstret bakom semantisk sökning och likhetsmatchning. Kontextfönstret är 32 000 tokens, och maximal utdata anges som 28 800. Endast textindata stöds, och inga begärandeparametrar utöver grunderna dokumenteras för denna modell.

Eftersom modellen producerar täta inbäddningar för återvinning är de naturliga användningsfallen semantisk sökning över dokumentsamlingar, återvinningsförstärkta genereringspipelines där du behöver hämta relevanta avsnitt innan de skickas till en chattmodell, deduplicering eller klustring av text, samt rekommendations- eller matchningssystem som rangordnar objekt efter betydelse snarare än nyckelordsöverlapp. Storleken på 0,6B och fokuset på låg latens passar arbetsbelastningar där du bäddar in stora textvolymer, till exempel indexering av en korpus i webbskala eller hantering av hög frågegenomströmning, och kontexten på 32 000 tokens innebär att du kan bädda in ganska långa dokument i en enda begäran istället för att dela upp dem i små bitar.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "perplexity/pplx-embed-v1-0.6b". Eftersom gränssnittet följer OpenAI:s inbäddningsformat skickar du din text som indata och får en vektor tillbaka, och befintliga OpenAI-klientbibliotek fungerar utan ändringar när du pekar dem mot api14:s bas-URL och anger det modell-id:t. Listan över parametrar som stöds för denna modell är tom, så planera att endast skicka de obligatoriska fälten och undvik att förlita dig på valfria inställningar som dimensions eller encoding format-överskridanden.

Om din uppgift är textgenerering, sammanfattning eller konversation snarare än återvinning, är en inbäddningsmodell fel verktyg och en chatt- eller kompletteringsmodell passar bättre. På samma sätt, om du behöver multimodala inbäddningar över bilder eller ljud, accepterar denna modell endast text. Inom återvinningsarbete är den huvudsakliga avvägningen storleken på 0,6B: den är byggd för lättviktig servering med låg latens, så om du upplever att återvinningskvaliteten är otillräcklig på en krävande korpus kan en större inbäddningsmodell vara värd att överväga.