Perplexity: pplx-embed-v1-4B

Perplexity Embed v1 4B transforme des textes et des requêtes indépendants en vecteurs pour la recherche sémantique et le RAG. Il prend en charge une fenêtre de contexte de 32K et renvoie des vecteurs de 2560 dimensions via l'API Embeddings ; son faible coût par jeton d'entrée est adapté aux index de documents volumineux.

Comparer les modèles

pplx-embed-v1-4b

DisponiblePerplexityVectorisationSynchrone

Entrée / Sortie: $0.03 / $0.00
Contexte: 32K
Modalités: Vectorisation

À propos de pplx-embed-v1-4B

pplx-embed-v1-4B est le plus grand des deux modèles de plongement de texte pplx-embed-v1 de Perplexity, conçu pour la recherche à l'échelle du web où la qualité du classement est primordiale. Il mappe un passage ou une requête vers un vecteur de 2560 dimensions, accepte les deux sans préfixes d'instruction et est fourni avec des poids ouverts sous licence MIT. Par rapport à son homologue de 0,6B, il consomme plus de calcul et de stockage par texte en échange d'une plus grande capacité.

Points forts

Produit des vecteurs de 2560 dimensions, offrant à chaque texte plus d'espace pour distinguer des différences subtiles que le modèle de 0,6B de 1024 dimensions.
Entrée en texte brut des deux côtés : la fiche du modèle indique qu'aucun préfixe d'instruction n'est nécessaire pour les documents ou les requêtes.
Poids ouverts sous licence MIT sur une base Qwen3, permettant de reproduire et d'auditer les résultats.
Offre des options de sortie INT8 et binaire, qui peuvent réduire la taille de l'index lorsque les vecteurs flottants pleine largeur sont trop volumineux.

Quand préférer un autre modèle

Les vecteurs larges rendent les index plusieurs fois plus volumineux que les vecteurs 0,6B pour un même corpus, ce qui est significatif pour des centaines de millions de documents.
Chaque texte est plongé isolément, de sorte que le contexte des segments environnants du même document n'est pas capturé.

Pour commencer

Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.

Envoyez votre première requête

Copiez l'exemple pour votre langage et lancez-le.

VectorisationEndpoint 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."
}'

Paramètres

Vectorisation

Paramètre	Valeurs et limites	Valeur par défaut	Remarques
`encoding_format`	Non fourni	Non fourni	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`	Non fourni	Non fourni	Non fourni

Tarification

Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.

Vectorisation

Par 1M Token

Prix Official: Entrée $0.03 / Sortie $0.00
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Vectorisation	Entrée $0.03 / Sortie $0.00	—	—

Utilisation et activité

Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.

Utilisation et disponibilité

Dernières 24 heures

Requêtes
Taux de succès
Latence P95
Total des jetons

Performance du modèle

Dernière mise à jour 15 nov. 2026, 02:01 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez pplx-embed-v1-4B dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester pplx-embed-v1-4b avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Recherche de haute précision
Alimenter la recherche sémantique principale d'une base de connaissances ou d'un site de documentation où la qualité du classement l'emporte sur la taille de l'index.
RAG sur contenu mixte
Récupérer des passages pour la génération de réponses à travers des contenus web multilingues ou variés, avec moins d'échecs qu'un plongement plus léger.
Déduplication et clustering
Regrouper des pages quasi identiques ou des tickets de support par similarité cosinus de leurs vecteurs plus larges.

Exemples de prompts

Quelle clause permet à l'une ou l'autre partie de résilier le contrat pour convenance ?

pod kubernetes bloqué en CrashLoopBackOff après une modification de config map

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

Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.

FAQ

Qu'est-ce que pplx-embed-v1-4B exactement ?

Il s'agit du modèle de plongement de texte à 4 milliards de paramètres de la famille pplx-embed-v1 de Perplexity. Il convertit le texte en vecteurs denses pour la recherche sémantique, la génération augmentée par récupération (RAG), le clustering et la correspondance de similarité, et ses poids sont publiés sous licence MIT.

Quelle est la taille du vecteur ?

La fiche du modèle indique 2560 dimensions pour le modèle 4B, contre 1024 pour le modèle 0,6B. Planifiez le stockage des vecteurs et la mémoire de l'index pour cette taille plus large avant de vous engager dans un ré-encodage de l'ensemble du corpus.

Nécessite-t-il des préfixes d'instruction ?

Non. Vous envoyez les documents et les requêtes sous forme de texte brut. Perplexity déclare éviter intentionnellement les préfixes d'instruction, afin qu'un seul chemin de code puisse intégrer les deux côtés de la recherche.

Puis-je réduire le stockage ?

La fiche liste des sorties quantifiées en INT8 et en binaire. Elles réduisent considérablement chaque vecteur stocké, vous permettant de sacrifier une petite partie de la précision pour un index beaucoup plus petit. Testez le rappel sur vos propres requêtes avant de changer.

4B ou 0,6B pour mon projet ?

Choisissez 4B lorsque la qualité de la réponse dépend d'un classement fin et que le corpus tient confortablement en mémoire. Choisissez 0,6B lorsque vous traitez des volumes énormes ou que vous avez besoin du coût de calcul par texte le plus bas.

Combien coûte pplx-embed-v1-4B ?

Sur TokenLab, pplx-embed-v1-4B coûte Entrée $0.03 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet. Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.

Quel endpoint pplx-embed-v1-4B doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour pplx-embed-v1-4B. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations pplx-embed-v1-4B prend-il en charge ?

pplx-embed-v1-4B prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.