📖 AI 总结

Perplexity Research 与 turbopuffer 联合发布了 pplx-embed-v2-context-9b-preview，一款面向 RAG 管线的上下文嵌入模型。其核心创新在于训练信号：模型不再只学习检索单一“黄金段落”，而是同时检索答案及其验证所需的上下文。传统 RAG 训练通常将每个查询对应一个黄金块，其余块均视为负样本，这会连带排除支撑答案可验证性的句子，并带来标签粗糙、标注成本随数据规模线性增长、标签绑定单一分块策略等问题。该模型以 Perplexity 的查询感知上下文压缩模型为教师，通过分块相关性评分、温度缩放软目标、前向 KL 蒸馏损失及基于 MaxSim 的文档级 InfoNCE 损失进行训练，并在每批次随机采样分块策略。模型权重已在 Hugging Face 以 MIT 许可发布，可自托管预览，但尚未接入 Perplexity API，且权重与接口可能不向后兼容。