Perplexity(@perplexity_ai)
On MADQA, 500 questions over 800 PDFs, it reaches 92.4%, the top result among retrievers.
8.5内容质量
TL;DR · AI 摘要
Perplexity发布的pplx-embed-v2-late模型在MADQA数据集上达到92.4%准确率，是当前检索器中的最佳表现。
核心要点
- pplx-embed-v2-late模型在MADQA数据集上达到92.4%准确率，超越其他检索器
- 模型采用128维token级嵌入和MaxSim匹配，支持图像与页面直接检索
- 9B模型蒸馏后0.6B版本使ViDoRe v3召回率从62.3%提升至63.5%
结构提纲
按章节快速跳转。
- §模型发布
Perplexity宣布推出pplx-embed-v2-late多模态嵌入模型
- ·技术架构
模型采用token级128维嵌入空间和MaxSim匹配机制
- ·性能表现
在MADQA数据集上达到92.4%准确率，超越其他检索器
- ›图像处理
支持PDF/幻灯片直接检索，无需OCR处理
- ›蒸馏效果
9B模型蒸馏后0.6B版本提升ViDoRe v3召回率1.2%
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- pplx-embed-v2-late模型
- 技术特性
- token级128维嵌入
- MaxSim匹配机制
- 图像直接检索
- 性能数据
- MADQA 92.4%准确率
- ViDoRe v3召回率提升1.2%
- Q2D-Web Recall@1000 74.8%
金句 / Highlights
值得收藏与分享的关键句。
On MADQA, 500 questions over 800 PDFs, it reaches 92.4%, the top result among retrievers.
Dense embedding models compress each document into one vector, which loses detail as pages get longer or more visual.
A corpus indexed with the 9B model can be searched with 0.6B queries. That lifts ViDoRe v3 from 62.3% to 63.5%.
#AI模型#信息检索#嵌入模型#Perplexity
打开原文Perplexity 在 X 上的动态："在 MADQA 测试中，针对 800 个 PDF 文档的 500 个问题，达到 92.4% 的准确率，是所有检索器中的最佳表现。"
-  我们发布了 pplx-embed-v2-late，这是两款支持跨模态查询的晚期交互嵌入模型，能够通过共享的嵌入空间检索文本、图像和页面内容。这两款模型均达到前沿性能水平，现已在 Hugging Face 上公开提供。perplexity.ai/hub/blog/multi…
-  密集型嵌入模型将每个文档压缩为一个向量，但随着页面变长或视觉内容增多，会丢失细节。pplx-embed-v2-late 为每个标记保留 128 维向量，并使用 MaxSim 进行匹配，使每个查询标记都能与文档中最接近的标记匹配。
-  这些模型还能直接嵌入图像和渲染页面，因此无需 OCR 即可搜索 PDF、幻灯片和扫描件，保留了文本提取时丢失的表格、图表和布局信息。
-  两款模型均通过 18B 教师模型逐标记蒸馏训练，因此共享一个嵌入空间。使用 9B 模型索引的语料库可使用 0.6B 查询进行搜索。这使 ViDoRe v3 的准确率从 62.3% 提升至 63.5%，且无需增加查询成本。
-  在 Q2D-Web 测试中，针对 1.9 亿个网页文档的约 7 万个生产衍生搜索查询，9B 和 0.6B 模型分别达到 74.8% 和 73.6% 的 Recall@1000，优于 nemotron-embed-8b 的 69.3%。
-  在智能搜索场景中，使用 9B 模型的 GPT-OSS-120B 代理正确回答了 64.0% 的 BrowseComp+ 问题，比任何基准模型都少进行搜索，且比下一个 ColBERT 模型高出 4.9 分。
- 
在 MADQA 测试中，针对 800 个 PDF 文档的 500 个问题，达到 92.4% 的准确率，是所有检索器中的最佳表现。
-  两款模型现已在 Hugging Face 上发布：
/