Perplexity, MIT lisansı altında 0.6B ve 9B boyutlarında sunulan, ColBERT tarzı yeni bir çift çok-modelli gömme modelini, pplx-embed-v2-late'i yayınladı. Her iki model de metin, görsel ve işlenmiş PDF sayfalarını tek bir ortak gömme alanında geri getirecek şekilde tasarlandı; böylece ayrı bir optik karakter tanıma adımına gerek kalmıyor. Daha küçük 0.6B model, hızlı sorgular ve uç cihaz dağıtımı için inşa edilirken, 9B model en yüksek kaliteye odaklanıyor ve kendi raporladığı değerlendirmelerde MADQA'da %92,4 puan elde etti.
Mimari, 128 boyutlu token‑seviyesi vektörler kullanıyor ve sorgu tokenlerini belge tokenleriyle eşleştirmek için MaxSim puanlamasına dayanıyor. Kullanıcılar, hafif 0.6B sorgu kodlayıcısını kullanarak 9B belge indeksinde arama yaparak model boyutlarını karıştırabilir; bu sayede kaliteyi korurken maliyetleri düşük tutabilirler. Modeller görsel belge araması ve ajan tabanlı geri getirme destekli üretimde güçlü yetenekler sergilerken, sınırlamalar arasında belge uzunluğuyla artan indeks boyutları ve tek bir girdide metin ile görselleri karıştırma desteğinin olmaması yer alıyor.
Perplexity, model ağırlıklarını ticari kullanım için Hugging Face üzerinde yayınladı; ancak barındırılan bir API uç noktası ve teknik rapor henüz gelmekte. Bu modeller, geliştiricilere ve işletmelere yüksek performanslı çok‑modelli belge geri getirme ve düşük gecikmeli arama uygulamaları için açık kaynaklı araçlar sunuyor.