Perplexity: pplx-embed-v1-4B

Perplexity Embed v1 4B memetakan teks dan kueri independen ke dalam vektor untuk pengambilan semantik dan RAG. Model ini mendukung jendela konteks 32K dan mengembalikan vektor 2560-dimensi melalui Embeddings API; harga token inputnya yang rendah cocok untuk indeks dokumen yang besar.

Bandingkan model

pplx-embed-v1-4b

TersediaPerplexityEmbeddingSinkronkan

Masukan / Keluaran: $0.03 / $0.00
Konteks: 32K
Modalitas: Embedding

Tentang pplx-embed-v1-4B

pplx-embed-v1-4B adalah model yang lebih besar dari dua model penyematan teks pplx-embed-v1 milik Perplexity, yang ditujukan untuk pengambilan data skala web di mana kualitas peringkat adalah yang terpenting. Model ini memetakan bagian teks atau kueri ke vektor 2560-dimensi, menerima keduanya tanpa awalan instruksi, dan hadir dengan bobot terbuka berlisensi MIT. Dibandingkan dengan model 0.6B, model ini menggunakan lebih banyak komputasi dan penyimpanan per teks sebagai ganti kapasitas yang lebih besar.

Kelebihan

Menghasilkan vektor 2560-dimensi, memberikan setiap teks ruang lebih luas untuk memisahkan perbedaan halus dibandingkan model 0.6B dengan lebar 1024.
Input teks biasa di kedua sisi: kartu model menyatakan tidak diperlukan awalan instruksi untuk dokumen atau kueri.
Bobot terbuka di bawah lisensi MIT pada basis Qwen3, sehingga hasil dapat direproduksi dan diaudit.
Menawarkan opsi output INT8 dan biner, yang dapat mengurangi ukuran indeks ketika vektor float lebar penuh terlalu besar.

Kapan harus beralih

Vektor yang lebar membuat indeks beberapa kali lebih besar daripada vektor 0.6B untuk korpus yang sama, yang penting pada skala ratusan juta dokumen.
Setiap teks disematkan secara terpisah, sehingga konteks dari potongan teks di sekitarnya dalam dokumen yang sama tidak tertangkap.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

EmbeddingEndpoint 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."
}'

Parameter

Embedding

Parameter	Nilai dan batas	Nilai bawaan	Catatan
`encoding_format`	Tidak disediakan	Tidak disediakan	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`	Tidak disediakan	Tidak disediakan	Tidak disediakan

Penetapan Harga

Harga Verified berlaku untuk Verified yang lebih murah di sebagian besar model. Harga Official adalah harga resmi dari pembuat model dan berlaku untuk rute Official yang lebih andal. Auto menagihkan biaya berdasarkan rute yang menyelesaikan permintaan.

Embedding

per 1M token

Harga Official: Masukan $0.03 / Keluaran $0.00
Harga Verified: —
Diskon: —

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Embedding	Masukan $0.03 / Keluaran $0.00	—	—

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 15 Nov 2026, 02.01 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka pplx-embed-v1-4B di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba pplx-embed-v1-4b dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pencarian presisi tinggi
Menjalankan pencarian semantik utama pada basis pengetahuan atau situs dokumentasi di mana kualitas peringkat lebih diutamakan daripada ukuran indeks.
RAG pada konten campuran
Mengambil bagian teks untuk pembuatan jawaban di seluruh konten web yang multibahasa atau bervariasi, dengan lebih sedikit kegagalan dibandingkan penyematan yang lebih ringan.
Deduplikasi dan pengelompokan
Mengelompokkan halaman atau tiket dukungan yang hampir duplikat berdasarkan kemiripan kosinus dari vektornya yang lebih lebar.

Contoh prompt

Klausul mana yang memungkinkan salah satu pihak mengakhiri kontrak demi kenyamanan?

pod kubernetes terjebak dalam CrashLoopBackOff setelah perubahan config map

Bagaimana cara mengonfigurasi autentikasi dua faktor pada dasbor

Model ini memiliki harga kondisional. Total token bulanan saja tidak dapat menghasilkan estimasi yang andal; gunakan harga detail untuk spesifikasi permintaan, cache, dan jendela waktu yang berlaku.

FAQ

Apa sebenarnya pplx-embed-v1-4B itu?

Ini adalah model penyematan teks 4 miliar parameter dalam keluarga pplx-embed-v1 milik Perplexity. Model ini mengubah teks menjadi vektor padat untuk pencarian semantik, pembuatan yang diperluas dengan pengambilan (retrieval-augmented generation), pengelompokan, dan pencocokan kemiripan, serta bobotnya diterbitkan di bawah lisensi MIT.

Berapa ukuran vektornya?

Kartu model memberikan 2560 dimensi untuk model 4B, dibandingkan dengan 1024 untuk model 0.6B. Rencanakan penyimpanan vektor dan memori indeks untuk ukuran yang lebih lebar sebelum Anda melakukan penyematan ulang di seluruh korpus.

Apakah memerlukan awalan instruksi?

Tidak. Anda mengirim dokumen dan kueri sebagai teks biasa. Perplexity menyatakan bahwa mereka sengaja menghindari awalan instruksi, sehingga satu jalur kode dapat menyematkan kedua sisi pencarian.

Bisakah saya mengurangi penyimpanan?

Kartu model mencantumkan output terkuantisasi INT8 dan biner. Keduanya mengecilkan setiap vektor yang disimpan secara substansial, sehingga Anda dapat menukar sedikit akurasi untuk indeks yang jauh lebih kecil. Uji recall pada kueri Anda sendiri sebelum beralih.

4B atau 0.6B untuk proyek saya?

Pilih 4B jika kualitas jawaban bergantung pada peringkat yang terperinci dan korpus muat dengan nyaman di memori. Pilih 0.6B jika Anda menyematkan volume yang sangat besar atau membutuhkan komputasi per teks yang paling murah.

Berapa biaya pplx-embed-v1-4B?

Di TokenLab, pplx-embed-v1-4B dikenakan Masukan $0.03 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap. Tarif bergantung pada unit penagihan, spesifikasi, dan penggunaan. Bandingkan kondisi yang sama dalam harga detail model; satu tarif tidak menentukan total biaya.

Endpoint mana yang harus digunakan pplx-embed-v1-4B?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk pplx-embed-v1-4B. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung pplx-embed-v1-4B?

pplx-embed-v1-4B mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.