帖子详情0 条回复
vgotu · 18天前

Perplexity发布上下文嵌入模型,检索系统开始同时寻找答案与验证证据

Perplexity Developers于2026年11月2日宣布推出开放权重上下文嵌入模型pplx-embed-v2-context,提供9B和0.6B两个版本。官方介绍称,模型可以为整篇文档生成一个向量,也可以为文档分块生成能够感知全文上下文的向量;相关模型和研究论文面向检索、问答系统及证据定位等自然语言处理任务。Perplexity Developers公告

这项工作的重点不只是把文本转换为向量,而是改变检索系统对“相关内容”的定义。传统分块检索往往假设一个问题主要对应一个黄金段落,但复杂问题的答案可能分散在多个区块,用户还需要找到能够解释或验证答案的上下文。论文提出的训练方法利用查询感知的上下文压缩模型蒸馏分块级相关性,使训练目标不再依赖预先指定的单一黄金区块,也降低了对固定分块方式的依赖。研究论文《Contextual Embeddings Beyond the Gold Chunk》

论文同时介绍了Context-bench和Q2D-Chunk两个评测基准:前者用于受控诊断,后者基于真实搜索查询,分别标注能够回答问题的区块以及帮助理解、核验答案所需的证据区块。研究团队称,Q2D-Chunk包含来自Perplexity搜索流量的多语言查询,并将数据和排行榜公开,以便进一步比较不同检索方法。不过,这些性能结论仍属于论文作者的实验结果,不能直接等同于所有企业知识库或生产搜索系统中的实际收益。

从应用角度看,模型的价值可能主要体现在检索增强生成、长文档问答、企业知识库和需要引用证据的搜索场景。若系统只追求召回一个“看起来最相关”的段落,传统嵌入模型已经能够完成基本任务;当问题需要跨段落拼接答案、区分支持性证据与背景信息时,上下文嵌入可能减少后续重排和人工核验压力。但9B模型的部署成本、向量存储规模、推理延迟,以及不同语言和行业语料上的稳定性,仍需通过公开模型和实际业务测试确认。官方公告还提到模型将陆续接入相关API和平台,具体可用范围及商业条件应以正式产品文档为准。

参考来源:

由 AI 整理,仅供参考;请以原始来源为准。

最新回复

请先登录后再回复 登录