# Perplexity Open-Sources pplx-embed-v2-late Multimodal Embedding Suite ერთიანი წარმომადგენლობითი სივრცით

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/ka/article/perplexity-open-sources-pplx-embed-v2-late-multimodal-embeddings-2026-10-10-n-ka
Section: AI (https://technewslist.com/ka/ai)
Author: TechNewsList
Language: ka
Published: 2026-10-10T18:40:39.471+00:00
Updated: 2026-10-10T18:45:37.919041+00:00

> Perplexity AI-მ გამოაქვეყნა ღია წონა თავისი pplx-embed-v2-late embedding მოდელების ოჯახისთვის MIT ლიცენზიის ქვეშ, დააწყვილა 0.6B ზღვრული მოდელი 9B სერვერის არქიტექტურასთან ერთიან ვექტორულ სივრცეში, რათა გაამარტივოს მოწყობილობების ძიების მილსადენები.

## TL;DR
- Perplexity-მ გამოუშვა pplx-embed-v2-late MIT ლიცენზიით, წონების განაწილებით Hugging Face-ის საშუალებით.
- ფუნქციებია დაწყვილებული 0.6B კიდე და 9B სერვერის მოდელები, რომლებიც აპროექტებენ ტექსტს იდენტურ გაზიარებულ ჩაშენების გეომეტრიაში.
- საშუალებას აძლევს მსუბუქი გვერდის კლიენტებს, მოითხოვონ ვექტორული ინდექსები, რომლებიც დასახლებულია სერვერის მხარის მძიმე საძირკვლის მოდელებით.
- უზრუნველყოფს უმაღლესი დონის MTEB-ის ძიების შესრულებას, ხოლო მოწყობილობაზე ჭრის დასკვნის შეყოვნებას ადგილობრივი AI სამუშაო პროცესებისთვის.

## Key points
- არღვევს ვექტორული მონაცემთა ბაზის გამყიდველის ჩაკეტვას სრულად ღია კოდის წონების შეთავაზებით წარმოების მკვრივი მოძიებისთვის.
- კოორდინატთა საერთო გეომეტრია გამორიცხავს ძვირადღირებულ ხელახლა ჩაშენების ციკლებს, როდესაც საძიებო ამოცანები გადაადგილდება მოწყობილობებზე.
- გვიანი ურთიერთქმედების გაერთიანება ასახავს წვრილმარცვლოვან სიმბოლურ ურთიერთობებს საწარმოს რთულ დოკუმენტებში.
- მხარს უჭერს მაღალი გამტარუნარიანობის მოძიებით გაძლიერებული თაობის მილსადენებს სამომხმარებლო აპარატურასა და საწარმოს სერვერებზე.
- აყალიბებს ძლიერ ალტერნატივას ძირითადი კომერციული ჰიპერსკალერებისგან დახურული საკუთრების ჩაშენებული API-ებისთვის.

## რა მოხდა

2026 წლის 9 ოქტომბერს, სასაუბრო ძიების პიონერმა Perplexity AI-მ გამოაცხადა თავისი pplx-embed-v2-late embedding მოდელების ოჯახის ღია კოდის გამოშვება. განაწილებული MIT-ის ნებადართული ლიცენზიით, გამოშვება ხდის მოდელის სრულ წონას, ტოკენიზატორის კონფიგურაციას და განლაგების კოდს თავისუფლად ხელმისაწვდომს გლობალური ხელოვნური ინტელექტის კვლევისა და საინჟინრო საზოგადოებისთვის Hugging Face-ზე. გამოცემა წარმოადგენს Perplexity-ის ყველაზე ამბიციურ წვლილს ღია წონის ინფრასტრუქტურაში დღემდე, რაც უზრუნველყოფს საწარმოს დეველოპერებს პირდაპირ წვდომას წარმომადგენლობით სისტემებზე, რომლებიც ემყარება მის სასაუბრო საძიებო სისტემას.

განცხადების ცენტრალური ნაწილია ასიმეტრიული ორმაგი მოდელის არქიტექტურა, რომელიც მოიცავს 600 მილიონი პარამეტრიანი ზღვრის მოდელს და 9 მილიარდი პარამეტრიანი სერვერის კლასის მოდელს. გამოთვლით კვალში მათი მკვეთრი განსხვავების მიუხედავად, ორივე მოდელი გაწვრთნილია ტექსტური მონაცემების იდენტურ საერთო გეომეტრიულ ჩაშენებულ სივრცეში. ეს არქიტექტურული განლაგება საშუალებას აძლევს შეკითხვებს, რომლებიც კოდირებულია მსუბუქი კიდეების ვარიანტით, პირდაპირ შეესაბამებოდეს დოკუმენტის კორპუსებს, რომლებიც ინდექსირებულია სერვერის საფუძვლის მასიური მოდელის მიერ, შუალედური ტრანსფორმაციის შრეების გარეშე.

სტანდარტული მკვრივი ვექტორული ექსტრაქციის გარდა, კომპლექტი ახორციელებს გვიან ურთიერთქმედების გაერთიანების გაფართოებულ მექანიზმებს, რომლებიც შექმნილია კონტექსტური ნიუანსების შესანარჩუნებლად ტექნიკურ სახელმძღვანელოებში, იურიდიულ დოკუმენტაციაში და მკვრივ ფინანსურ ჩანაწერებში. ორივე გამშვები პუნქტის დატვირთული ღია წყაროს ლიცენზიით გამოშვებით, Perplexity მიზნად ისახავს გამოწვევას საკუთრებაში არსებული ჩაშენების სერვისების გამოწვევა და ღია საფუძვლის შექმნას მოწყობილობების მოძიება-გაძლიერებული გენერაციისთვის.

## რატომ არის მნიშვნელოვანი

თანამედროვე მოძიებით გაძლიერებული თაობის სამუშაო ნაკადები მუდმივი არქიტექტურული დილემის წინაშე დგას ღრუბლის მოძიების სიზუსტესა და მოწყობილობაზე ოპერაციულ შეყოვნებას შორის. ჩვეულებრივ სისტემებში, დიდი საწარმოების ცოდნის ბაზების ინდექსირება მოითხოვს მრავალმილიარდ პარამეტრულ მოდელებს, რომლებიც მუშაობენ ცენტრალიზებულ მონაცემთა ცენტრებში. თუმცა, ზღვრულ მოწყობილობებს, როგორიცაა ლეპტოპები, მობილური ტელეფონები და ადგილობრივი მოწყობილობები, არ შეუძლიათ ამ მასიური მოდელების ლოკალურად შესრულება, რეალურ დროში მომხმარებლის საძიებო მოთხოვნების გასაშვებად, რაც აიძულებს აპლიკაციებს გაუგზავნონ ყველა პირადი მოთხოვნა დისტანციურ სერვერებზე.

![არავინდ სრინივასი განიხილავს ღია წონების განაწილებას, მოძიებით გაძლიერებული გენერაციის სისტემებს და დეველოპერულ ინფრასტრუქტურას](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791652279895-p1a21w-perplexity-open-sources-pplx-embed-v2-late-multimodal-embeddings-2026-10-10-nigh-inside-1-d60883ef8b.webp "Aravind Srinivas discussing open weights distribution, retrieval-augmented generation systems, and developer infrastructure.")

Perplexity-ის საერთო ვექტორული გეომეტრია გამორიცხავს ამ ფუნდამენტურ შეზღუდვას. საწარმოთა გუნდებს ახლა შეუძლიათ გამოიყენონ 9B მოდელი მაღალი გამტარუნარიანობის მონაცემთა ცენტრის გარემოში პეტაბაიტის მასშტაბის დოკუმენტების საცავების დასამუშავებლად, ნაწილებად და ჩასართავად. იმავდროულად, edge კლიენტის აპლიკაციებს შეუძლიათ განათავსონ კომპაქტური 0.6B მოდელი პირდაპირ ადგილობრივ აპარატურაზე, მომხმარებლის ინტერაქტიული მოთხოვნების ჩასართავად მილიწამებში, ცენტრალიზებული ვექტორული ინდექსის შეკითხვის გარეშე, მონაცემთა ბაზის ხელახალი ინდექსირების გარეშე.

ეს ასიმეტრიული პარადიგმა მკვეთრად ამცირებს გამტარუნარიანობის ოვერჰედის და ღრუბლის დასკვნის ხარჯებს, ხოლო შეკითხვის მგრძნობიარე პარამეტრების ლოკალური შენარჩუნება საბოლოო მომხმარებლის ტექნიკისთვის. გარდა ამისა, მოდელის კომპლექტის გამოქვეყნებით MIT ლიცენზიით, Perplexity აშორებს გამყიდველის ჩაკეტვას, რაც საშუალებას აძლევს ორგანიზაციებს შექმნან პირადი სემანტიკური საძიებო კლასტერები რეგულირებულ შიდა გარემოში, რომლებიც კრძალავენ მესამე მხარის API დამოკიდებულებებს.

## ტექნიკური დეტალები

pplx-embed-v2-late-ის ტექნოლოგიური საფუძველი ეყრდნობა ერთობლივი კონტრასტული დისტილაციას და ჯვარედინი ენტროპიის გასწორებას ჰეტეროგენული ტრანსფორმატორის ხერხემალებში. ტრენინგის დროს, 9B მასწავლებლის მოდელი და 0.6B მოსწავლის მოდელი ექვემდებარება ფართო მრავალენოვან პასაჟ-შეკითხვის წყვილებს, რაც ახორციელებს მიმართულების კოსინუსების მსგავსებას და მანძილის შენარჩუნებას როგორც ნიშნის დონეზე, ისე გაერთიანებულ წარმომადგენლობებში. ეს მიზანი უზრუნველყოფს, რომ კუთხური გამიჯვნა განსხვავებულ კონცეპტუალურ ერთეულებს შორის დარჩეს თანმიმდევრული ორივე მოდელის სიმძლავრეში.

გვიანი ურთიერთქმედების მექანიზმი ადაპტირებს ColBERT არქიტექტურის მიერ პოპულარულ კონცეფციებს, გამოთვლის კონტექსტუალიზებულ მრავალ ვექტორულ წარმოდგენებს, სანამ გამოიყენებს მაქსიმალური მსგავსების ქულების ოპერაციებს დოკუმენტის ტოკენებში. ეს მიდგომა ხელს უშლის კატასტროფულ სემანტიკურ შეკუმშვას, რომელიც ხშირად შეინიშნება მრავალგვერდიანი ტექნიკური დოკუმენტების ერთ მკვრივ ვექტორში კონდენსაციისას, რაც საშუალებას აძლევს სისტემას გამოყოს ზუსტი რიცხვითი ფიგურები, კონკრეტული კოდის სიმბოლოები და იზოლირებული იურიდიული შენიშვნები.

![ისტორიული მაღალი ხარისხის გამოთვლითი კლასტერები, რომლებიც უზრუნველყოფენ კონტექსტს თანამედროვე ფართომასშტაბიანი ვექტორული ინდექსაციისა და მატრიცის ოპერაციების ჩაშენებისთვის](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791652282307-hou7wq-perplexity-open-sources-pplx-embed-v2-late-multimodal-embeddings-2026-10-10-nigh-inside-2-a005e14816.webp "Historical high-performance computing clusters providing context for contemporary large-scale vector indexing and embedding matrix operations.")

ტექსტის მასიური ჩაშენების საორიენტაციო ნიშნულზე, pplx-embed-v2-late 9B აღწევს უახლესი ტექნოლოგიის მოძიების სიზუსტეს კომპლექსურ კითხვაზე პასუხის გაცემის და მრავალსაფეხურიანი მსჯელობის ამოცანებში. 0.6B edge გამშვები პუნქტი ინარჩუნებს მასწავლებლის მოდელის რეიტინგის ერთგულების 94 პროცენტს, ხოლო მოითხოვს 1.2 გიგაბაიტზე ნაკლებ VRAM-ს 8-ბიტიან სიზუსტემდე კვანტიზებული, რაც მას ადვილად ათავსებს თანამედროვე სამომხმარებლო სმარტფონებსა და ჩაშენებულ კიდეების პროცესორებზე.

## გავლენა ბაზარზე და ინდუსტრიაზე

მაღალი ხარისხის ღია წონის ჩაშენებების ხელმისაწვდომობა იწვევს პირდაპირ კონკურენტულ ხახუნს ჰოსტინგის ვექტორული სერვისებისთვის, რომელსაც მართავს კომერციული ღრუბლოვანი ჰიპერსკალერები. კომერციული პროვაიდერები, რომლებიც ახდენენ საკუთრების ჩაშენების საბოლოო წერტილების მონეტიზაციას თითო ტოკენის საფუძველზე, ახლა აწყდებიან ღია კოდის ალტერნატივას, რომელიც კონკურენციას უწევს საკუთრების სიზუსტეს, ხოლო საშუალებას იძლევა შეუზღუდავი ლოკალური სკალირება და ნულოვანი API გასვლის ხარჯები.

ვექტორული მონაცემთა ბაზის გამყიდველები და საძიებო პლატფორმის პროვაიდერები სწრაფად გადავიდნენ ახალი მოდელების ოჯახისთვის მშობლიური მხარდაჭერა. Framework-ებმა, მათ შორის PyTorch-მა, Hugging Face Transformers-მა, LlamaIndex-მა და LangChain-მა განათავსეს ანაზრაურების ინტეგრაციის ჩამტვირთველები გამოქვეყნებიდან რამდენიმე საათში. საწარმოთა პროგრამული უზრუნველყოფის მომწოდებლებმა, რომლებიც აშენებენ კერძო საძიებო ხელსაწყოებს, იტყობინება, რომ დაუყოვნებლივ შემცირდა ინდექსირების შეყოვნება და ოპერაციული ხარჯები, როდესაც ცვლიდნენ მოძველებული ღრუბლოვანი მილსადენების ადგილობრივი სერიის დასკვნას, რომელიც უზრუნველყოფილია pplx-embed-v2-late-ით.

უფრო მეტიც, გამოცემა ხაზს უსვამს Perplexity-ის უფრო ფართო სტრატეგიულ მიმართულებას საკუთარი თავის პოზიციონირებისკენ, როგორც ძირითადი ინფრასტრუქტურის პროვაიდერად, მომხმარებლის ძიების ინტერფეისთან ერთად. მისი ძირითადი ვექტორული წარმოდგენების გარშემო ღია დეველოპერული ეკოსისტემის ხელშეწყობით, Perplexity ქმნის საწარმოს მიღების ორგანულ გზებს თავისი კომერციული საწარმოების საძიებო პლატფორმისთვის და მასპინძლობს ინდექსის სინქრონიზაციის ხელსაწყოებს.

## რას უნდა დავაკვირდეთ შემდეგ

უახლოეს თვეებში, დეველოპერების საზოგადოებები შეაფასებენ რამდენად ეფექტურად მუშაობს ასიმეტრიული 0.6B და 9B დაწყვილება სპეციალიზებულ ვერტიკალურ დომენებში, როგორიცაა სამედიცინო დიაგნოზი, ფინანსური აუდიტი და დაბალი რესურსის მრავალენოვანი თარგმანი. დამოუკიდებელი საორიენტაციო ნიშნები შეამოწმებს, მოქმედებს თუ არა ჯვარედინი მოდელის გასწორება, როდესაც დეველოპერები მიმართავენ პარამეტრებზე ეფექტურ დაზუსტებას დომენის სპეციფიკურ ლექსიკაზე.

ინდუსტრიის ანალიტიკოსები ასევე აკვირდებიან, რეაგირებენ თუ არა კონკურენტი საძიებო სისტემები და მოდელების შემქმნელები, Cohere, OpenAI და Google, შედარებითი ღია წონის მულტიმოდალური ჩაშენების კომპლექტების გამოშვებით ან მართულ ჩაშენების საბოლოო წერტილებზე ფასების შემცირებით, კომერციული ბაზრის წილის დასაცავად.

და ბოლოს, დამკვირვებლები ელიან Perplexity-ის შემდგომ გამოშვებას, რომელიც აფართოებს pplx-embed ოჯახის ადგილობრივ მულტიმოდალურ დომენებს. გამოსახულების, აუდიოსა და ცხრილის მონაცემების ერთსა და იმავე უნიფიცირებულ ვექტორულ კოორდინატულ სისტემაში ჩართვამ შეიძლება განბლოკოს მართლაც უნივერსალური ჯვარედინი მოდალური ძიება განაწილებულ საწარმო მოწყობილობებში, ღია წარმომადგენლობების დამკვიდრება, როგორც სტანდარტი შემდეგი თაობის AI სამუშაო ნაკადებისთვის.

## წყაროები

- [Perplexity AI ბლოგი](https://www.perplexity.ai/hub/blog/pplx-embed-v2-late-open-source)- ოფიციალური გამოშვების შენიშვნები დეტალურადაა pplx-embed-v2-late არქიტექტურა, MIT ღია წონის ლიცენზია და საერთო წარმომადგენლობითი სივრცე.
- [საიმონ უილისონის ვებლოგი](https://simonwillison.net/2026/Oct/9/perplexity-embed-v2/)- Perplexity 0.6B და 9B დაწყვილებული ჩაშენებების ტექნიკური შეფასება, MTEB საორიენტაციო რეიტინგები და ლოკალური ვექტორული ძიება.
- [Hugging Face Model Hub](https://huggingface.co/perplexity-ai/pplx-embed-v2-late)- საცავის ბარათი, რომელიც ასახავს მოდელის საგუშაგოებს, PyTorch-ის ინტეგრაციის ფრაგმენტებს, ტოკენიზატორის კონფიგურაციას და განზომილების ჩაშენებას.

Mentions: Perplexity AI, არავინდ სრინივასი, დენის იარატსი, ჩახუტებული სახე, PyTorch

## Sources
- [Perplexity AI ბლოგი](https://www.perplexity.ai/hub/blog/pplx-embed-v2-late-open-source)
- [საიმონ უილისონის ვებლოგი](https://simonwillison.net/2026/Oct/9/perplexity-embed-v2/)
- [Hugging Face Model Hub](https://huggingface.co/perplexity-ai/pplx-embed-v2-late)