Blog › Modelos

Novo no OpenRouter · 20/11/2026

Embed V2 Context 9B, da Perplexity, gera embeddings contextuais para texto e imagens

Modelo de 9 bilhões de parâmetros codifica trechos com o documento em volta e compartilha espaço vetorial com a versão 0.6B.

Pouca repercussão 3 fontes Atualizado em 20/11/2026 às 20:00 (Brasília)

A Perplexity publicou o pplx-embed-v2-context-9b, modelo de embeddings para recuperação em texto, imagens e documentos visuais. Ele codifica cada trecho com o contexto do documento ao redor, o que interessa a quem monta sistemas de RAG. O OpenRouter o descreve como o maior dos dois modelos v2 com contexto.

O que é e como funciona

Segundo o cartão no Hugging Face, o modelo opera em dois modos. No contextual, embute cada trecho com o restante do documento em vista. No não contextual, codifica cada texto isoladamente.

O cartão diz que o chunking contextual também vale para entradas visuais. Imagens divididas em partes podem ser recuperadas por índices ANN densos comuns, e a divisão tende a melhorar bastante a recuperação, segundo o laboratório.

O prefixo MRL de 1024 dimensões compartilha o espaço de embeddings com o pplx-embed-v2-context-0.6b. Assim, dá para indexar documentos com um modelo e consultar com o outro.

Uso e cuidados de implementação

O modelo exige transformers 5.4.0 ou superior e código customizado, carregado com trust_remote_code=True. Para o caminho rápido de atenção linear, o cartão pede flash-linear-attention e causal-conv1d.

Consultas e documentos usam métodos diferentes: encode_queries para perguntas e encode para trechos. Usar encode nas consultas degrada a busca sem gerar erro. No modo contextual, os trechos não podem se sobrepor.

Os embeddings saem sem normalização, quantizados em int8. A comparação deve usar similaridade de cosseno, ou normalize_embeddings=True seguido de produto escalar. A API de texto não trunca entradas, então o documento precisa caber no limite configurado.

Relação com a versão preview

Antes do modelo final, a Perplexity e a turbopuffer divulgaram, em 30 de setembro de 2026, a pplx-embed-v2-context-9b-preview. Segundo o explainx.ai, ela parte de uma base inicializada com ColBERT e usa objetivo de treino diferente dos modelos contextuais v1.

O cartão da preview avisa que pesos e interface podem mudar sem compatibilidade. Por isso, embeddings gerados com ela não devem ser misturados com os de versões futuras.

Pontos-chave

  • Aceita texto, imagens e documentos visuais
  • Documentos podem ser indexados com o 0.6B e consultados com o 9B, e vice-versa
  • Saída em int8 sem normalização
  • Consultas exigem encode_queries; trechos contextuais não podem se sobrepor

Texto escrito por IA a partir das reportagens e páginas listadas abaixo e checado contra elas por uma segunda revisão automática. Atualizado em 20/11/2026 às 20:00 (Brasília).

Dossiê do lançamento

O que o laboratório informa, os benchmarks publicados e os primeiros relatos de uso. Cada item leva à página de onde saiu.

O que o laboratório informa

  • Modelo de embeddings contextual e multimodal (texto e imagens) para retrieval. No modo contextual, cada chunk é embutido vendo o documento inteiro. Há também modo não contextual. Licença MIT, pesos no Hugging Face. huggingface.co ↗
  • Artigo técnico 'Contextual Embeddings Beyond the Gold Chunk', submetido ao arXiv em 28/10/2026. A família tem 9B e 0.6B e é treinada sem rótulos de gold chunk, por destilação de um modelo de compressão de contexto. arxiv.org ↗
  • Parte de um modelo ColBERT visão-linguagem interno, ajustado com LoRA. O 9B foi treinado só com texto e herda a busca visual do modelo base. Usou cerca de 440 datasets em mais de 50 idiomas. arxiv.org ↗
  • Saída de 2048 dimensões em int8, com Matryoshka treinado só em 1024 e 2048. O prefixo de 1024 dimensões é compartilhado com o 0.6B: dá para indexar com um modelo e consultar com o outro. docs.perplexity.ai ↗
  • Na API da Perplexity: contexto de 32K tokens, input_type query ou document, imagens JPEG/PNG/WebP em base64. A documentação indica o 9B para qualidade de retrieval e o 0.6B como padrão. docs.perplexity.ai ↗
  • Restrições de uso no model card: chunks não podem se sobrepor; consultas exigem encode_queries, porque usar encode piora o retrieval sem avisar; exige transformers>=5.4.0 e trust_remote_code=True. huggingface.co ↗

Benchmarks publicados

context-bench (Answer@10)45.5%

voyage-context-4: 31.1; pplx-embed-context-v1-4b: 26.4; voyage-4-large (não contextual): 6.4

Divulgado pelo laboratório turbopuffer (avaliação cega em benchmark privado; coautor do artigo com a… ↗
ConTEB (nDCG@10, média, query-to-chunk)83.4%

pplx-embed-context-v1-4b: 82.1; voyage-context-4: 80.4; voyage-4-large: 67.0; Nemotron-3-Embed-8B: 63.8

Divulgado pelo laboratório Perplexity ↗
Q2D-Chunk (Answer@10, consultas base, chunks de 128 tokens)86.4%

voyage-context-4: 83.9; pplx-embed-v2-context-0.6b: 83.1; Nemotron-3-Embed-8B (não contextual): 73.6

Divulgado pelo laboratório Perplexity ↗
Q2D-Chunk (Evidence recall corpus@10)46.6%

Nemotron-3-Embed-8B: 49.3; pplx-embed-v2-context-0.6b: 44.0; voyage-context-4: 41.8

Divulgado pelo laboratório Perplexity ↗
ViDoRe-V3 Markdown (nDCG@10, média de 8 subtarefas, chunking de 128 tokens)61.18%

voyage-context-4 (multi): 62.76; Nemotron-3-Embed-8B (single): 60.63; voyage-4-large (single): 59.63

Divulgado pelo laboratório Perplexity ↗
MTEB-Q2C (nDCG@10, média, chunk)72.9%

voyage-context-4: 72.3; Nemotron-3-Embed-8B: 66.6; voyage-4-large: 66.5; pplx-embed-context-v1-4b: 64.4

Divulgado pelo laboratório Perplexity ↗
MTEB-Q2D (nDCG@10, média, documento)80.7%

voyage-context-4: 82.2; Nemotron-3-Embed-8B: 80.0; voyage-4-large: 79.9; pplx-embed-context-v1-4b: 77.0

Divulgado pelo laboratório Perplexity ↗

Levantamento feito por um agente de IA com busca na web em 20/11/2026. Cada item traz o link da página consultada; confira a fonte antes de decidir.

Outras publicações