Суть

Текстовая embedding-модель Perplexity для стандартного плотного поиска. Она преобразует запросы и документы в векторные представления, чтобы сопоставлять тексты по смыслу, а не только по совпадению слов. Каждый вход обрабатывается независимо. Модель принимает текст и возвращает эмбеддинги, а не готовые ответы. Контекст — до 32 000 токенов.

Сильные стороны

Вариант с крупной моделью рассчитан на высокое качество retrieval. Текст можно передавать напрямую: инструкция-префикс не требуется. Это упрощает подготовку данных и помогает избежать расхождений между настройками индексирования и поискового запроса. Эмбеддинги имеют квантованное представление и не нормализованы; для сравнения Perplexity рекомендует косинусное сходство.

Типовые сценарии

Модель подходит для семантического поиска по базе документов, сопоставления запросов с текстовыми фрагментами и построения retrieval-компонента для RAG-систем. Обычно документы индексируют с помощью эмбеддингов, затем тем же способом кодируют запрос и ранжируют документы по близости векторов. Она также может использоваться для группировки или поиска похожих текстов, если приложение опирается на векторное сравнение.

Ограничения

Это не генеративная модель: она не пишет ответы и не выполняет поиск по сети сама по себе. Для рабочего поиска нужны отдельные хранилище, индекс и механизм ранжирования. Поскольку векторы не нормализованы, их следует сравнивать косинусным сходством, а не полагаться на скалярное произведение или евклидово расстояние. Эта версия предназначена для независимого кодирования текстов; для RAG-сценариев, где при представлении фрагмента важно учитывать окружающий документ, у Perplexity есть отдельная контекстная модель.