Perplexity: pplx-embed-v1-4B

Perplexity Embed v1 4B asigna texto independiente y consultas a vectores para la recuperación semántica y RAG. Admite una ventana de contexto de 32K y devuelve vectores de 2560 dimensiones a través de la API de Embeddings; su bajo precio por token de entrada es adecuado para índices de documentos grandes.

Comparar modelos

pplx-embed-v1-4b

DisponiblePerplexityIncrustaciónSíncrono

Entrada / Salida: $0.03 / $0.00
Contexto: 32K
Modalidades: Incrustación

Sobre pplx-embed-v1-4B

pplx-embed-v1-4B es el mayor de los dos modelos de incrustación de texto pplx-embed-v1 de Perplexity, orientado a la recuperación a escala web donde la calidad de la clasificación es lo más importante. Asigna un pasaje o consulta a un vector de 2560 dimensiones, acepta ambos sin prefijos de instrucción y se distribuye con pesos abiertos bajo licencia MIT. En comparación con su hermano de 0.6B, consume más cómputo y almacenamiento por texto a cambio de una mayor capacidad.

Puntos fuertes

Genera vectores de 2560 dimensiones, lo que da a cada texto más espacio para separar diferencias sutiles que el modelo de 0.6B de 1024 dimensiones.
Entrada de texto plano en ambos lados: la tarjeta del modelo indica que no se necesita prefijo de instrucción para documentos o consultas.
Pesos abiertos bajo la licencia MIT sobre una base Qwen3, por lo que los resultados pueden ser reproducidos y auditados.
Ofrece opciones de salida INT8 y binaria, que pueden reducir el tamaño del índice cuando los vectores de punto flotante de ancho completo son demasiado grandes.

Cuándo buscar otra opción

Los vectores anchos hacen que los índices sean varias veces más grandes que los vectores de 0.6B para el mismo corpus, lo cual es relevante con cientos de millones de documentos.
Cada texto se incrusta de forma aislada, por lo que no se captura el contexto de los fragmentos circundantes del mismo documento.

Primeros pasos

Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.

Envía tu primera solicitud

Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

IncrustaciónEndpoint de TokenLab

POST/v1/embeddings

curl -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."
}'

Parámetros

Incrustación

Parámetro	Valores y límites	Predeterminado	Notas
`encoding_format`	No especificado	No especificado	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`	No especificado	No especificado	No especificado

Precios

El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.

Incrustación

Por 1M Token

Precio Official: Entrada $0.03 / Salida $0.00
Precio Verified: —
Descuento: —

	Precio OfficialPor 1M Token	Precio VerifiedPor 1M Token	Descuento
Incrustación	Entrada $0.03 / Salida $0.00	—	—

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas

Solicitudes
Tasa de éxito
Latencia P95
Total de tokens

Desempeño del modelo

Última actualización 15 nov 2026, 2:01 UTC

Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre pplx-embed-v1-4B en Console con un prompt listo para editar o enviar.

Ayúdame a probar pplx-embed-v1-4b con embedding en /v1/embeddings. Muestra el resultado y el coste.

Casos de uso

Búsqueda de alta precisión
Potenciar la búsqueda semántica principal de una base de conocimientos o sitio de documentación donde la calidad de la clasificación supera al tamaño del índice.
RAG sobre contenido mixto
Recuperar pasajes para la generación de respuestas a través de contenido web multilingüe o variado, con menos errores que una incrustación más ligera.
Deduplicación y agrupación
Agrupar páginas casi duplicadas o tickets de soporte mediante la similitud de coseno de sus vectores más anchos.

Ejemplos de prompts

¿Qué cláusula permite a cualquiera de las partes rescindir el contrato por conveniencia?

pod de kubernetes atascado en CrashLoopBackOff después de un cambio en el config map

Comment configurer l'authentification à deux facteurs sur le tableau de bord

Este modelo tiene precio condicional. Los totales mensuales de tokens por sí solos no producen una estimación fiable; use el precio detallado según la especificación de la solicitud, la caché y la ventana aplicable.

FAQ

¿Qué es exactamente pplx-embed-v1-4B?

Es el modelo de incrustación de texto de 4 mil millones de parámetros de la familia pplx-embed-v1 de Perplexity. Convierte texto en vectores densos para búsqueda semántica, generación aumentada por recuperación (RAG), agrupación y coincidencia de similitud, y sus pesos se publican bajo la licencia MIT.

¿Cuál es el tamaño del vector?

La tarjeta del modelo indica 2560 dimensiones para el modelo de 4B, en comparación con 1024 para el modelo de 0.6B. Planifique el almacenamiento de vectores y la memoria del índice para el tamaño más amplio antes de comprometerse a una re-incrustación de todo el corpus.

¿Necesita prefijos de instrucción?

No. Usted envía documentos y consultas como texto plano. Perplexity afirma que evita los prefijos de instrucción a propósito, de modo que una única ruta de código puede incrustar ambos lados de la búsqueda.

¿Puedo reducir el almacenamiento?

La tarjeta enumera salidas cuantizadas INT8 y binarias. Reducen sustancialmente cada vector almacenado, por lo que puede intercambiar una pequeña cantidad de precisión por un índice mucho más pequeño. Pruebe la recuperación en sus propias consultas antes de cambiar.

¿4B o 0.6B para mi proyecto?

Elija 4B cuando la calidad de la respuesta dependa de una clasificación detallada y el corpus quepa cómodamente en la memoria. Elija 0.6B cuando incruste volúmenes enormes o necesite el cómputo por texto más económico.

¿Cuánto cuesta pplx-embed-v1-4B?

En TokenLab, pplx-embed-v1-4B cuesta Entrada $0.03 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo. Las tarifas dependen de la unidad de facturación, la especificación y el uso. Compare condiciones iguales en el precio detallado del modelo; una sola tarifa no determina el coste total.

¿Qué endpoint debe usar pplx-embed-v1-4B?

Utiliza https://api.tokenlab.sh/v1/embeddings para pplx-embed-v1-4B. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta pplx-embed-v1-4B?

pplx-embed-v1-4B admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.