Perplexity, la empresa conocida por su buscador con inteligencia artificial, presentó pplx-embed-v2-late, una familia de modelos de embeddings que llega en dos tamaños y bajo licencia abierta MIT. El modelo más grande alcanzó un 92,4% en la prueba MADQA, según la información difundida por la compañía, y ambos pueden descargarse y ejecutarse en servidores propios.

Los embeddings son representaciones numéricas de texto, imágenes u otros datos que permiten a un sistema medir qué tan parecidos son entre sí. Son la pieza que hace funcionar a los buscadores semánticos y a las aplicaciones que combinan recuperación de información con modelos de lenguaje, el enfoque conocido como RAG (generación aumentada por recuperación). Cuanto mejores son los embeddings, más relevante resulta lo que el sistema encuentra antes de redactar una respuesta.

Dos tamaños para dos usos distintos

La familia se divide en función del escenario de uso. El modelo de 0,6B parámetros está pensado para correr en dispositivos de borde (edge), es decir, equipos con recursos limitados que procesan datos localmente en lugar de depender de un centro de datos remoto. El de 9B parámetros apunta a construir índices de alta calidad, donde la precisión pesa más que el consumo de recursos.

Entre las métricas publicadas, el mejor resultado de pplx-embed-v2-late fue el 92,4% en MADQA, un conjunto de pruebas de preguntas y respuestas. Su punto más débil quedó en 61,2% en ViDoRe v3 Markdown, una evaluación orientada a recuperar información de documentos con formato. La brecha entre ambos números deja ver que el rendimiento varía bastante según el tipo de contenido, algo habitual en este tipo de modelos y una advertencia útil para quien planea adoptarlos.

Licencia abierta y autoalojamiento

El detalle que distingue a este lanzamiento es la licencia MIT, una de las más permisivas del software libre. Permite usar, modificar y distribuir los modelos, incluso con fines comerciales, con pocas restricciones. Sumado a que están listos para autoalojarse, esto da a empresas y desarrolladores la opción de montar sus propios sistemas de búsqueda sin enviar datos a servicios externos ni pagar por consultas a una API.

Para organizaciones con requisitos de privacidad o que manejan información sensible, poder ejecutar el modelo dentro de su propia infraestructura es una ventaja concreta. En Latinoamérica, donde los costos recurrentes en dólares y las barreras de pago suelen limitar el acceso a herramientas de IA, un modelo abierto que corre en hardware propio reduce la dependencia de suscripciones y facilita experimentar sin un gasto fijo. El modelo de 0,6B, por su tamaño, podría operar en equipos modestos, aunque los índices de mayor calidad exigen más capacidad de cómputo.

Perplexity es más conocida por su producto de cara al público, un buscador conversacional que responde con fuentes citadas. Liberar la tecnología de embeddings que sustenta ese tipo de búsqueda la acerca al terreno de la infraestructura abierta, donde ya compiten modelos de recuperación de otros laboratorios.

Qué significa para quien construye con IA

La elección de embeddings suele pasar desapercibida frente al protagonismo de los grandes modelos de lenguaje, pero define buena parte de la calidad de un asistente que consulta documentos. Contar con opciones abiertas y de distinto tamaño amplía el margen de maniobra de los equipos técnicos, que pueden equilibrar precisión, velocidad y costo según el proyecto.

Como siempre con los números de referencia, conviene validarlos con datos propios antes de decidir. Un puntaje alto en una prueba estandarizada no garantiza el mismo desempeño con el contenido, el idioma y los formatos específicos de cada caso.