Perplexity开源上下文Embedding模型，支持整篇编码长文检索

Perplexity 开源了新的上下文 embedding 模型 pplx-embed-v2-context-9b-preview，主要用于 RAG 检索。

常见 embedding 模型处理长文档时，通常会先把内容切成多个小块，再分别理解和编码。Perplexity 这次发布的模型改为把这些文本块一起编码，让每个块在生成向量时都能参考整篇文档的上下文。

Perplexity 举例称，如果一段文字只写着「它增长了 20%」，单独抽出来时，很难判断「它」具体指向什么。新模型可以结合文档其他部分来理解这句话。

该模型已经在 Hugging Face 开放，采用 MIT 许可证。

训练设计上，模型还专门学习同时检索答案所在段落，以及支撑答案的其他相关段落。按 Perplexity 的说法，这样后续 AI 系统拿到的不只是答案，也包括验证答案所需的证据。

在 turbopuffer 设计的 context-bench 盲测中，pplx-embed-v2-context-9b-preview 的 Answer@10 为 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。

这项测试包含 38,894 篇长文档和 2,099 个查询，题目未公开。Perplexity 提到，这种设置可以降低测试集被训练数据污染的风险。

目前该模型仍处于 Preview 版本。Perplexity 也提醒，后续模型权重、接口以及生成的 embedding 都可能变化，因此现在生成的向量不一定能与未来版本直接混用。