Perplexity lanza embeddings diseñados para recuperar respuestas y la evidencia que las respalda
El modelo de vista previa codifica fragmentos de documentos de forma conjunta, y Perplexity afirma que lidera en dos benchmarks de recuperación mientras usa vectores más pequeños que el modelo competidor de Voyage.
By RuntimeWire Staff · Published · Updated
Primary source: Perplexity AI on X
Por qué importa
La recuperación determina qué evidencia puede usar un sistema de IA. Perplexity apuesta a que los embeddings conscientes del documento pueden mejorar la recuperación de respuestas y evidencias, manteniendo el almacenamiento de vectores más reducido, aunque sus resultados principales siguen siendo reportados por la empresa y uno de los benchmarks es privado.
Perplexity, cofundada por el CEO Aravind Srinivas, lanzó un nuevo modelo de embeddings diseñado para recuperar respuestas junto con los pasajes que las explican o verifican. En una publicación del 1 de octubre en X, Perplexity presentó pplx-embed-v2-context-9b-preview, que codifica los fragmentos de un documento con el resto del documento en vista.…
When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.