Perplexity開源新Embedding模型：整篇一起讀，切塊也能帶著上下文

動察 Beating AI 快訊，Perplexity 開源新的上下文 embedding 模型 pplx-embed-v2-context-9b-preview，主要用於 RAG 檢索。普通 embedding 通常把長文檔切成小塊後分別理解，新模型會把這些塊一起編碼，讓每一塊生成向量時都能參考整篇文檔的上下文。模型已在 Hugging Face 開放，採用 MIT 許可證。

比如一段文字只寫「它增長了 20%」，單獨拿出來很難知道「它」是誰。新模型可以結合文檔其他部分理解這句話。訓練時，它還專門學習同時找回答案和支撐答案的其他段落，讓後續 AI 不只拿到答案，還能拿到驗證答案所需的證據。

在 turbopuffer 設計的 context-bench 盲測中，新模型的 Answer@10 達到 45.5%，比 Voyage Context 4 高 14.4 個百分點；Evidence Recall@10 為 40.6%，高 5 個百分點。測試包含 38,894 篇長文檔和 2,099 個查詢，題目不公開，可以降低測試集被訓練數據污染的風險。

模型目前還是 Preview 版本。Perplexity 提醒，後續權重、接口和生成的 embedding 都可能變化，所以現在生成的向量不一定能直接和未來版本混用。