perplexity-ai/pplx-embed-v1-4b
Publié par Perplexity le 11 février 2026, perplexity-ai/pplx-embed-v1-4b est un modèle d’embedding dense de 4 milliards de paramètres, construit sur Qwen3. Il transforme les textes en vecteurs non normalisés de 2 560 dimensions et accepte des séquences allant jusqu’à 32K.
Publié par Perplexity le 11 février 2026, perplexity-ai/pplx-embed-v1-4b est un modèle d’embedding dense de 4 milliards de paramètres, construit sur Qwen3. Il transforme les textes en vecteurs non normalisés de 2 560 dimensions et accepte des séquences allant jusqu’à 32K.
Distribué sous licence ouverte MIT, il sert à indexer séparément requêtes et documents pour la recherche sémantique, le RAG, la mesure de similarité et le clustering. Il prend en charge des représentations quantifiées int8 ou binaires, le MRL et le pooling moyen, avec des déploiements possibles via API, SentenceTransformers, ONNX ou TEI.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Modèle d'embedding |
| Éditeur | Perplexity |
| Poids | 🟢 Poids ouverts |
| Licence | MIT |
| Date de sortie | 11 février 2026 |
| Dimension du vecteur | 2 560 |
| Représentation | dense uniquement (embeddings non normalisés quantifiés int8 et binaires) |
| Paramètres | 4 milliards |
| Paramètres actifs | 4 milliards |
| Longueur de séquence max | 32 768 tokens |
| Modalités (entrée → sortie) | text → embedding |
Performances (benchmarks)
| Benchmark | Score | Rang | Source | Fiabilité |
|---|---|---|---|---|
| MTEB: Code Information Retrieval | 77,3 % | 12ᵉ / 49 | mteb | ✅ Mesuré |
| MTEB: Code | 78,7 % | 9ᵉ / 43 | mteb | ✅ Mesuré |
Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
MTEB: Code Information Retrieval
MTEB: Code
Notre analyse
Forces. Les résultats MTEB placent le modèle parmi les mieux classés sur un track de retrieval spécialisé et à un niveau solide sur une seconde évaluation de recherche d’information couvrant plusieurs langages de programmation et diverses tâches. Son contexte de 32K facilite l’encodage de documents longs. Les sorties int8 et binaires peuvent réduire l’empreinte des index par rapport à des vecteurs conservés dans une précision supérieure. Le MRL offre aussi une possibilité d’ajuster la dimension exploitée. La licence MIT favorise l’intégration et l’auto-hébergement.
Limites et points d’attention. Les vecteurs complets de 2 560 dimensions alourdissent le stockage et le calcul de similarité par rapport à des représentations plus courtes. Les embeddings étant non normalisés, la chaîne d’indexation doit appliquer un traitement adapté à la métrique de similarité retenue. La quantification int8 ou binaire impose également un arbitrage entre compacité et fidélité de représentation. Les évaluations fournies portent sur deux tracks MTEB de retrieval spécialisé, sans établir une supériorité générale sur toutes les formes de recherche sémantique. Usages pertinents : RAG, recherche documentaire spécialisée, rapprochement de contenus et clustering à grande échelle.
Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).