Perplexity 发布 pplx-embed-v2-context：参数规模为 9B 和 0.6B 的开放权重视觉语言嵌入模型

Perplexity 在 Hugging Face 上发布了 pplx-embed-v2-context，这是一组开放权重视觉语言嵌入模型（9B 和 0.6B），并与 turbopuffer 合作撰写了一篇论文。两个模型都会为每份文档返回一个 int8 向量，或者为每个可获取整篇文档内容的分块各返回一个向量；它们也都支持非上下文模式，此模式下每份文档只生成一个嵌入向量，不进行分块。

Perplexity 表示，其训练方式不同于其他上下文嵌入模型：分块级相关性分数来自其答案流水线中的查询感知上下文压缩模型蒸馏，而不是为每个查询指定一个黄金分块，因此不再将支持性分块视为负例。

以下结果由 Perplexity 提供：

• 9B 在 ConTEB 以及两个新基准 context-bench 和 Q2D-Chunk 上领先。Q2D-Chunk 基于 Perplexity 的真实搜索流量构建（6,069 个查询、10 种语言、71,100 份文档），并标注答案分块以及验证答案所需的证据。Perplexity 已为其发布排行榜。
• 在 ViDoRe-V3 markdown 上，无论是否分块，0.6B 都是最强的 1B 以下模型。采用 128-token 分块的上下文 9B 仅次于 voyage-context-4。
• 9B 仅使用文本训练，但 Perplexity 表示，它在视觉文档上的表现优于领先的稠密检索器。每页使用两个 1024 维嵌入向量时，它在 ViDoRe-V3 上的表现优于 Nemotron-3.5-Embed-8B，且索引体积小四倍。