El lanzamiento
El 7 de octubre de 2026, Perplexity, conocida por su buscador con IA, publicó en Hugging Face la familia pplx-embed-v2-late: dos modelos abiertos de embeddings para búsqueda, de 0,6B y 9B de parámetros, bajo licencia MIT (uso comercial permitido). Una semana antes, la empresa había lanzado pplx-embed-v2-context.
Son modelos multimodales: indexan texto e imágenes (fotos, capturas de pantalla y páginas renderizadas de PDF y diapositivas) sin OCR, conservando tablas y diseño.
Qué tienen de diferente
1. Late interaction (estilo ColBERT). En lugar de resumir un documento entero en un solo vector, el modelo genera un vector de 128 dimensiones por cada token o fragmento de imagen. En la búsqueda, cada palabra de la consulta busca la parte más parecida del documento (puntuación MaxSim). Así, distintas partes de la pregunta pueden coincidir con distintas partes del documento, lo que suele dar resultados más precisos.
2. Espacio compartido entre tamaños. Ambos modelos se destilaron token a token del mismo "profesor" interno de 18B. En la práctica, puede indexar los documentos una vez con el 9B, de alta calidad, y hacer las consultas con el 0,6B, rápido y barato, que incluso funciona en un portátil, sin reconstruir el índice.
Cifras
- Según Perplexity, en ViDoRe V3 (búsqueda en documentos visuales), el modelo de 0,6B iguala a modelos con cinco veces más parámetros activos.
- Según la cobertura de AI Weekly, el 9B obtiene 92,4% en MADQA (500 preguntas sobre unas 18.000 páginas de PDF).
- Los resultados son de la propia empresa; el informe técnico completo llegará "este mismo año".
Limitaciones
- Una entrada puede ser texto o imagen, no ambos a la vez.
- La late interaction guarda muchos vectores por documento: el índice es mucho más grande que con embeddings tradicionales y requiere una base vectorial con soporte multivector.
- La API alojada aún no está disponible; por ahora es para quien aloja el modelo.
Por qué importa
Las empresas guardan conocimiento en PDF, diapositivas, hojas escaneadas y capturas de pantalla. Los pipelines con OCR rompen tablas y pierden contexto visual. Un modelo abierto que busca directamente en la imagen de la página, con licencia permisiva y un modelo pequeño para consultas, hace que el RAG corporativo sea más preciso y barato.
Cómo evaluarlo
- Tome un conjunto real de documentos (manuales, contratos, informes) y preguntas con respuestas conocidas.
- Compare con su embedding actual en acierto y coste de almacenamiento.
- Pruebe la combinación índice con 9B + consulta con 0,6B.
- Compruebe que su base vectorial admite multivectores (MaxSim).
Fuentes
- Blog de Perplexity: https://www.perplexity.ai/en-GB/hub/blog/multimodal-embeddings-beyond-a-single-vector
- Hugging Face, perplexity-ai/pplx-embed-v2-late-9b: https://huggingface.co/perplexity-ai/pplx-embed-v2-late-9b
- AI Weekly (8/10/2026): https://aiweekly.co/alerts/perplexity-open-sources-pplx-embed-v2-late-924-on-madqa
¿Quiere mejorar la búsqueda y el RAG sobre los documentos de su empresa? KGA IT ofrece una consulta gratuita: kga-it.com.