Perplexity 开源多模态嵌入模型：9B 建索引、0.6B 做端侧查询

Perplexity 首席执行官 Aravind Srinivas 在 X 上披露，团队开源了 pplx-embed-v2-late 系列多模态嵌入模型。模型不是单一尺寸，而是提供 9B 与 0.6B 两种配置，权重已放到 Hugging Face，供开发者下载和研究。

这次开源了什么

这是一组面向文本和图像的 late-interaction 多向量嵌入模型，也就是把内容转换成多个向量表示，用于后续检索与匹配。9B 版本侧重索引多模态数据，0.6B 版本则面向设备端查询，两种模型共享同一嵌入空间。

多模态搜索的关键，不只是让系统“看见”图片或扫描文件，而是把文字、页面、图表等信息放进可以比较的表示空间。Perplexity 给出的 MADQA 得分为 92.4%，BrowseComp+ 得分为 64%，这些数据属于来源披露的模型评估结果。

两种尺寸为何分开

9B 版本适合离线和服务器端处理更大的内容集合，承担建库、索引等计算量较大的工作；0.6B 版本体积更小，可用于设备端查询。这样的组合让开发者在索引质量与运行效率之间进行分工，而不是让同一模型包办全部环节。

来源还提到，0.6B 模型可在设备端查询 PDF 页面，并且无需 OCR 即可检索。这里的重点是直接理解页面视觉内容，减少先转文字、再做搜索的传统链路。不过，实际效果仍取决于文档类型、硬件性能和查询方式。

对开发者和企业意味着什么

对于开发者，这套模型可以用于本地知识库检索、企业文档搜索、图片与文字混合查询，以及面向 PDF 的问答系统。若能在中文资料上保持稳定表现，它有机会降低多模态检索对额外 OCR 服务和复杂预处理流程的依赖。

对创作者而言，模型带来的直接机会不是自动生成更多内容，而是让作品、资料和视觉素材更容易被组织起来。比如，摄影作品说明、产品页面和参考图可以被放进同一套检索空间，减少手工打标签和反复描述的成本。

真正的价值在于把多模态检索前移到更轻量的设备端。 对企业用户来说，这意味着可以先在本地完成部分查询，再把复杂请求交给服务器，形成分层处理；但部署前仍需验证中文、扫描件和复杂版式下的表现。

中文用户该关注什么

中文用户不应只根据榜单分数判断模型是否适合自己。嵌入模型要放进真实资料里测试，例如中文合同、产品手册、扫描 PDF、网页截图和图文混合文档，观察召回是否准确，以及结果能否被下游模型正确使用。

还需要区分“模型开源”和“应用成熟”两件事。权重公开，方便研究、复现和二次开发，但数据处理流程、向量数据库、权限管理和调用成本仍然要由使用方自行搭建。对于个人用户，端侧运行能否节省费用，取决于设备内存、速度和索引规模。

后续观察点

接下来值得观察三个方向：中文和多语言评测是否充分，PDF 页面检索在复杂表格与手写内容上的稳定性，以及 0.6B 版本在常见手机和电脑上的实际延迟。若这些环节能够落地，多模态搜索可能从云端演示进一步变成日常工具。

在应用层，Perplexity 是否会把模型接入其搜索产品、开放更完整的 API，以及社区是否会出现面向中文资料的微调版本，也是重要信号。当前信息更像是技术底座的公开，而不是某款终端产品已经完成升级。