Perplexity: pplx-embed-v1-4B
pplx-embed-v1-4b- Eingabe / Ausgabe
- $0.03 / $0.00
- Kontext
- 32K
- Modalitäten
- Einbettung
Über pplx-embed-v1-4B
pplx-embed-v1-4B ist das größere der beiden pplx-embed-v1-Texteinbettungsmodelle von Perplexity, das auf web-skalierbares Retrieval ausgerichtet ist, bei dem die Ranking-Qualität am wichtigsten ist. Es bildet einen Textabschnitt oder eine Suchanfrage auf einen 2560-dimensionalen Vektor ab, akzeptiert beides ohne Anweisungspräfixe und wird mit offenen, unter der MIT-Lizenz stehenden Gewichten ausgeliefert. Im Vergleich zum 0.6B-Geschwistermodell verbraucht es pro Text mehr Rechenleistung und Speicherplatz, bietet dafür aber eine höhere Kapazität.
Stärken
- Gibt 2560-dimensionale Vektoren aus, wodurch jeder Text mehr Raum erhält, um feine Unterschiede besser abzubilden als das 1024-dimensionale 0.6B-Modell.
- Eingabe von Klartext auf beiden Seiten: Die Modellkarte gibt an, dass für Dokumente oder Suchanfragen kein Anweisungspräfix erforderlich ist.
- Offene Gewichte unter der MIT-Lizenz auf Basis von Qwen3, sodass Ergebnisse reproduziert und geprüft werden können.
- Bietet INT8- und binäre Ausgabeoptionen, die die Indexgröße reduzieren können, wenn die Float-Vektoren voller Breite zu groß sind.
Alternativen
- Breite Vektoren machen Indizes für denselben Korpus um ein Vielfaches größer als 0.6B-Vektoren, was bei hunderten Millionen von Dokumenten von Bedeutung ist.
- Jeder Text wird einzeln eingebettet, sodass der Kontext aus umliegenden Abschnitten desselben Dokuments nicht erfasst wird.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "encoding_format": "float", "model": "pplx-embed-v1-4b", "input": "The quick brown fox jumps over the lazy dog." }'
Parameter
Einbettung
| Parameter | Werte und Grenzen | Standardwert | Hinweise |
|---|---|---|---|
encoding_format | Nicht angegeben | Nicht angegeben | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
input | Nicht angegeben | Nicht angegeben | Nicht angegeben |
Preise
Der Verified-Preis gilt für Verified und ist bei den meisten Modellen günstiger. Der Official-Preis ist der veröffentlichte Preis des Modellherstellers und gilt für die zuverlässigere Official-Route. Auto rechnet die Route ab, die die Anfrage abschließt.
Einbettung
Pro 1M Token- Official-Preis
- Eingabe $0.03 / Ausgabe $0.00
- Verified-Preis
- —
- Rabatt
- —
| Official-PreisPro 1M Token | Verified-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Einbettung | Eingabe $0.03 / Ausgabe $0.00 | — | — |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne pplx-embed-v1-4B in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste pplx-embed-v1-4b mit embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Hochpräzise Suche
Unterstützt die semantische Hauptsuche einer Wissensdatenbank oder Dokumentationsseite, bei der die Ranking-Qualität schwerer wiegt als die Indexgröße.
RAG über gemischte Inhalte
Abrufen von Textabschnitten für die Antwortgenerierung über mehrsprachige oder vielfältige Webinhalte hinweg, mit weniger Fehlern als bei einem leichteren Einbettungsmodell.
Deduplizierung und Clustering
Gruppieren von nahezu identischen Seiten oder Support-Tickets anhand der Kosinus-Ähnlichkeit ihrer breiteren Vektoren.
Prompt-Beispiele
Welche Klausel erlaubt es einer der Parteien, den Vertrag ordentlich zu kündigen?
Kubernetes-Pod steckt nach Änderung der ConfigMap in CrashLoopBackOff fest
Comment configurer l'authentification à deux facteurs sur le tableau de bord
Dieses Modell hat konditionale Preise. Monatliche Token-Summen allein liefern keine verlässliche Schätzung; nutzen Sie die detaillierten Preise für Anfragespezifikation, Cache und Zeitfenster.
FAQ
Was genau ist pplx-embed-v1-4B?
Es ist das 4-Milliarden-Parameter-Texteinbettungsmodell aus der pplx-embed-v1-Familie von Perplexity. Es wandelt Text in dichte Vektoren für die semantische Suche, Retrieval-Augmented Generation, Clustering und Ähnlichkeitsabgleiche um; die Gewichte sind unter der MIT-Lizenz veröffentlicht.
Wie groß ist die Vektorgröße?
Die Modellkarte gibt 2560 Dimensionen für das 4B-Modell an, im Vergleich zu 1024 für das 0.6B-Modell. Planen Sie den Vektorspeicher und den Index-Arbeitsspeicher für die größere Größe ein, bevor Sie eine korpusweite Neueinbettung vornehmen.
Benötigt es Anweisungspräfixe?
Nein. Sie senden Dokumente und Suchanfragen als Klartext. Perplexity gibt an, dass bewusst auf Anweisungspräfixe verzichtet wird, sodass ein einziger Codepfad beide Seiten der Suche einbetten kann.
Kann ich den Speicherbedarf reduzieren?
Die Karte listet INT8- und binär quantisierte Ausgaben auf. Diese verkleinern jeden gespeicherten Vektor erheblich, sodass Sie eine geringfügige Einbuße bei der Genauigkeit gegen einen deutlich kleineren Index tauschen können. Testen Sie den Abruf (Recall) mit Ihren eigenen Suchanfragen, bevor Sie umstellen.
4B oder 0.6B für mein Projekt?
Wählen Sie 4B, wenn die Antwortqualität von einem fein abgestimmten Ranking abhängt und der Korpus bequem in den Arbeitsspeicher passt. Wählen Sie 0.6B, wenn Sie enorme Mengen einbetten oder die günstigsten Rechenkosten pro Text benötigen.
Was kostet pplx-embed-v1-4B?
Auf TokenLab kostet pplx-embed-v1-4B Eingabe $0.03 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben. Die Preise hängen von Abrechnungseinheit, Spezifikation und Nutzung ab. Vergleichen Sie gleiche Bedingungen in der detaillierten Preisliste des Modells; eine einzelne Rate bestimmt nicht die Gesamtkosten.
Welchen Endpunkt soll pplx-embed-v1-4B verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für pplx-embed-v1-4B. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt pplx-embed-v1-4B?
pplx-embed-v1-4B unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
pplx-embed-v1-4B vergleichen
Quellen
- perplexity-ai/pplx-embed-v1-4b model card (Hugging Face)
- perplexity-ai/pplx-embed-v1-0.6b model card (Hugging Face)
Geprüft am 02.10.2026
