Perplexity开源新Embedding模型：整篇一起读，切块也能带着上下文

BiRun 讯，Perplexity 开源新的上下文 embedding 模型 pplx-embed-v2-context-9b-preview，主要用于 RAG 检索。普通 embedding 通常把长文档切成小块后分别理解，新模型会把这些块一起编码，让每一块生成向量时都能参考整篇文档的上下文。模型已在 Hugging Face 开放，采用 MIT 许可证。

比如一段文字只写「它增长了 20%」，单独拿出来很难知道「它」是谁。新模型可以结合文档其他部分理解这句话。训练时，它还专门学习同时找回答案和支撑答案的其他段落，让后续 AI 不只拿到答案，还能拿到验证答案所需的证据。

在 turbopuffer 设计的 context-bench 盲测中，新模型的 Answer@10 达到 45.5%，比 Voyage Context 4 高 14.4 个百分点；Evidence Recall@10 为 40.6%，高 5 个百分点。测试包含 38,894 篇长文档和 2,099 个查询，题目不公开，可以降低测试集被训练数据污染的风险。

模型目前还是 Preview 版本。Perplexity 提醒，后续权重、接口和生成的 embedding 都可能变化，所以现在生成的向量不一定能直接和未来版本混用。

信源

动察 Beating 频道 · 动察 Beating 交流群。