Perplexity выпустила pplx-embed-v2-late — две открытые модели для поиска по текстам, изображениям и страницам документов. Они находят подходящий материал по текстовому запросу, в том числе в PDF без предварительного распознавания текста.
Семейство включает версии 0.6B и 9B. Они совместимы между собой: большая модель может подготовить поисковый индекс, а маленькая — обрабатывать запросы к нему.
Читайте также: ТОП-7 нейросетей для обработки фото
Как устроен поиск
Модели сохраняют отдельные числовые представления элементов документа. При сравнении с запросом система сопоставляет его части с наиболее подходящими частями документа. Такой подход помогает находить детали в длинных текстах, таблицах и изображениях страниц.
Модели используют архитектуру на основе Qwen3.5 и создают 128-мерные векторы для каждого токена — элемента, на который модель разбивает входные данные. Для оценки соответствия используется MaxSim: лучшие совпадения для токенов запроса складываются в общий результат.
Можно использовать одну модель для индекса и запросов либо сочетать версии. В тесте компании на визуальной части ViDoRe v3 связка индекса 9B и запросов 0.6B получила 63,5% по метрике качества ранжирования nDCG@10 против 62,3% у 0.6B с обеих сторон.
Результаты и доступность
На том же тесте при использовании каждой модели отдельно версия 9B получила 65,2%, а 0.6B — 62,3%. При поиске по документам, преобразованным в Markdown, результаты составили 64,7% и 61,2%. Это измерения Perplexity на публичной части теста.
Веса опубликованы на Hugging Face под лицензией MIT. Модели можно запускать через Sentence Transformers версии 6.0.0 и выше с Transformers 5.4.0 и выше.
В новом семействе используется больше памяти для индекса и больше вычислений при сравнении кандидатов, чем в поиске с одним вектором на документ. Perplexity предлагает применять его для баз, где важна точность, или как дополнительный этап большой поисковой системы.
На тесте Q2D-Web модели получили 73,6% и 74,8% по Recall@1000 для версий 0.6B и 9B соответственно. Это выше предыдущего лучшего результата в 69,3%.
Perplexity также планирует постепенно добавить поддержку dense, contextual и late-interaction embeddings в Perplexity API Platform.
Ранее Perplexity Computer научилась создавать видео для кампаний и соцсетей.
