Perplexity 的上下文嵌入模型瞄準資訊檢索領域的領先地位

Perplexity AI 推出 pplx-embed-v2-context-9b-preview，這是一款旨在改善文件檢索與檢索增強生成（RAG）的上下文嵌入模型。模型一次處理整份文件，讓個別文字區塊保留更廣泛的上下文，並減少傳統逐區塊嵌入所造成的資訊損失。 這款預覽模型接續 Perplexity 發布的 pplx-embed-v1 與 pplx-embed-context-v1。在 ConTEB 基準測試中，擁有 40 億參數的 pplx-embed-context-v1 平均 nDCG@10 分數達到 81.96%，高於 voyage-context-3 的 79.45% 和 Anthropic 模型的 72.4%。Perplexity 也表示，在涵蓋超過 10 億個生產環境網頁的內部測試中，其 recall 優於 Qwen3 embeddings，但這些結果尚未經過獨立驗證。 根據該公司說法，Perplexity 的嵌入模型支援 32K token 上下文視窗、原生 INT8 與二元量化，以及最多 32 倍的儲存空間節省。v1 API 系列的價格為每 100 萬個 token 收費 0.004 至 0.05 美元。這些功能可能降低語義搜尋與 RAG 開發者的基礎設施成本。 上下文嵌入模型可能強化 Perplexity 在 AI 基礎設施領域的地位，並創造新的商業收入來源。然而，最新模型仍處於預覽階段，其基準測試聲稱還需要進一步的獨立測試。