O lançamento
Em 7 de outubro de 2026, a Perplexity, conhecida pelo buscador com IA, publicou no Hugging Face a família pplx-embed-v2-late: dois modelos abertos de embeddings para busca, com 0,6B e 9B de parâmetros, sob licença MIT (uso comercial permitido). Uma semana antes, a empresa já havia lançado o pplx-embed-v2-context.
São modelos multimodais: indexam texto e imagens (fotos, capturas de tela e páginas renderizadas de PDFs e slides) sem OCR, preservando tabelas e layout.
O que tem de diferente
1. Late interaction (estilo ColBERT). Em vez de resumir um documento inteiro num único vetor, o modelo gera um vetor de 128 dimensões para cada token ou pedaço de imagem. Na busca, cada palavra da pergunta procura o trecho mais parecido do documento (pontuação MaxSim). Isso permite que partes diferentes da pergunta casem com partes diferentes do documento, o que costuma dar resultados mais precisos.
2. Espaço compartilhado entre tamanhos. Os dois modelos foram destilados do mesmo modelo "professor" interno de 18B, token a token. Na prática, você pode indexar os documentos uma vez com o 9B, de alta qualidade, e fazer as consultas com o 0,6B, rápido e barato, que roda até num notebook, sem reconstruir o índice.
Números
- Segundo a Perplexity, no ViDoRe V3 (busca em documentos visuais), o modelo de 0,6B iguala modelos com cinco vezes mais parâmetros ativos.
- Segundo a cobertura do AI Weekly, o 9B marca 92,4% no MADQA (500 perguntas sobre cerca de 18 mil páginas de PDF).
- Os resultados são da própria empresa; o relatório técnico completo sai "ainda este ano".
Limitações
- Uma entrada pode ser texto ou imagem, não os dois juntos.
- Late interaction guarda muitos vetores por documento: o índice fica bem maior que o de embeddings tradicionais, e exige um banco vetorial com suporte a multivetores.
- A API hospedada ainda não está disponível; por enquanto é para quem hospeda o próprio modelo.
Por que importa
Empresas guardam conhecimento em PDFs, slides, planilhas escaneadas e capturas de tela. Pipelines com OCR quebram tabelas e perdem contexto visual. Um modelo aberto que busca direto na imagem da página, com licença permissiva e um modelo pequeno para consultas, deixa o RAG corporativo mais preciso e mais barato.
Como avaliar
- Pegue um conjunto real de documentos (manuais, contratos, relatórios) e perguntas com respostas conhecidas.
- Compare com o seu embedding atual em acerto e custo de armazenamento.
- Teste a combinação índice no 9B + consulta no 0,6B.
- Confira se seu banco vetorial suporta multivetores (MaxSim).
Fontes
- Blog da 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
Quer melhorar a busca e o RAG sobre os documentos da sua empresa? A KGA IT oferece uma consulta gratuita: kga-it.com.