Perplexity, bağlam duyarlı embedding modelinde ConTEB skorunu %81,96 olarak açıkladı

Perplexity’nin bağlam duyarlı embedding modeli, belge arama benchmark’ında nDCG@10 skorunu %81,96 olarak açıkladı. Belgeleri parçalara ayırıp bağımsız işleyen yöntemlerden farklı olarak model, tüm belgenin bağlamını dikkate alarak retrieval-augmented generation (RAG) sistemlerinde arama kalitesini artırmayı hedefliyor.

Perplexity, 26 Şubat 2026’da standart arama için ‘pplx-embed-v1’ ve bağlam duyarlı arama için ‘pplx-embed-context-v1’ modellerini tanıttı. Her iki model ailesi de 0,6B ve 4B parametreli sürümlerle sunulurken MIT lisansı ve API desteği sağlıyor.

Bağlam duyarlı model, uzun belgeler parçalara ayrıldığında her parçayı bağımsız şekilde embedding işleminden geçirmiyor. Önceki ve sonraki cümlelerle belgenin genel bilgisini birlikte değerlendirerek zamirler veya şirket adları gibi yalnızca parça üzerinden anlamı belirsiz kalan ifadeleri ayırt ediyor.

Örneğin ‘1804’te imparator oldu’ cümlesi tek başına işlendiğinde söz konusu kişinin belirlenmesi zorlaşabiliyor. Belgenin önceki bölümünde yer alan kişi bilgisi de dikkate alındığında, cümlenin anlamı arama sürecinde daha doğru biçimde anlaşılabiliyor.

Bu yöntem, belgenin tamamındaki bağlamın gerekli olduğu aramaları değerlendirmek üzere tasarlanan ConTEB benchmark’ında öne çıktı. Perplexity’nin ‘pplx-embed-context-v1-4B’ modeli nDCG@10 skorunu %81,96 olarak açıkladı.

Perplexity aynı karşılaştırmada Voyage’ın ‘voyage-context-3’ modelinin %79,45, Anthropic modelinin ise %72,4 skor aldığını bildirdi. Bu karşılaştırma Perplexity tarafından sunulan sonuçlara dayanıyor ve ilgili araştırmalarda da model ailesi performansları ele alınıyor.

OpenReview’da yayımlanan karşılaştırma tablosuna göre standart arama modeli ‘pplx-embed-v1-4B’, çok dilli MTEB arama kategorisinde nDCG@10 skorunu %69,66 olarak kaydetti. Qwen3-Embedding-4B %69,60, ‘gemini-embedding-001’ ise %67,71 seviyesinde kaldı.

Standart ve bağlam duyarlı modeller farklı kullanım alanları ve değerlendirme koşulları için tasarlandı. Bu nedenle ConTEB’deki %81,96 ile MTEB’deki %69,66 aynı koşullardaki performans sonuçları olarak karşılaştırılamaz.

Modeller 32K tokenlık bağlam penceresi ve çift yönlü attention desteği sunuyor. INT8 ve ikili kuantizasyon da desteklenirken Perplexity, ikili kuantizasyonla depolama alanının en fazla 32 kat azaltılabileceğini açıkladı.

API fiyatı 4B standart model için 1 milyon token başına 0,03 dolar, yaklaşık 41 won; 4B bağlam duyarlı model için ise 0,05 dolar, yaklaşık 68 won olarak belirlendi. Fiyatlar Perplexity’nin resmi açıklamasında yer aldı.

ConTEB, yanıtın tamamının belge parçasında bulunmadığı ve belgenin genel bilgisinin gerekli olduğu durumları değerlendirmek üzere tasarlandı. ConTEB araştırması, parçaların bağımsız işlenmesinin belge içindeki anlam bağlantılarını zayıflatabileceğini belirtiyor.

Retrieval-augmented generation sistemleri çoğunlukla uzun belgeleri parçalara ayırarak vektör veritabanlarında saklıyor. Parçalar bağımsız şekilde embedding işleminden geçirildiğinde belgenin konusu veya önceki ve sonraki bağlamı arama sonuçlarına yeterince yansımayabiliyor.

Geliştirici topluluklarında model performansının yanı sıra gerçek kullanım hızı ve API tüketimi de tartışıldı. Bir geliştirici, aynı A100 ortamında ‘pplx-embed-v1-4B’ modelinin indeksleme hızının Qwen3-Embedding-4B’ye göre yaklaşık 7-8 kat daha yavaş olduğunu kişisel deneyine dayanarak paylaştı. Ancak bu sonuç genel performans göstergesi olarak değerlendirilemez.

Perplexity geliştirici forumunda API kullanımının belge talebi sayısına göre değil, belge parçası sayısına göre hesaplandığı yönünde itirazlar da yer aldı. Perplexity, söz konusu davranışın normal olduğunu belirtti. Forum gönderisinde ayrıca dokümandaki ‘QPS’ ifadesinin ‘saniyede işlenebilen parça sayısı’ olarak değiştirildiği aktarıldı.

Resmi Hugging Face model koleksiyonunda 1 Ekim 2026 itibarıyla ‘pplx-embed-v1’ ve ‘pplx-embed-context-v1’ aileleri yer alıyor. Araştırma ipucunda geçen ‘pplx-embed-v2-context-9b-preview’ modeli resmi açıklamalarda veya model kartlarında doğrulanmadı. İlgili iddia Crypto Briefing haberinde yer aldı.

Modeli kullanmayı değerlendiren geliştiricilerin benchmark skorlarının yanı sıra indeksleme hızı, bellek kullanımı, API’nin belge parçası işleme kapasitesi ve Türkçe arama performansını ayrı ayrı test etmesi gerekiyor. Perplexity’nin standart arama ile bağlam duyarlı aramayı farklı amaçlarla konumlandırdığı açıklaması araştırma makalesinde yer alıyor. Perplexity arama API’sine ilişkin performans karşılaştırmaları daha önce TokenPost’un haberlerinde de ele alındı.