嵌入模型（embedding model）是把文本、图像等非结构化数据压缩成固定长度向量、让机器能按语义「找相似」的基础组件，检索增强生成（RAG）、搜索、推荐与聚类都依赖它，长期由闭源 API 与少数开源权重主导，近期的变化集中在多模态与端侧部署。
嵌入模型近期进展
10 月 7 日，Perplexity 发布 pplx-embed-v2-late，同时提供 9B 与 0.6B 两个版本，其中 9B 版在 MADQA 上得分为 92.4；官方称其在 Q2D-Web 基准上超过 nemotron-embed-8b，小尺寸版本面向边缘设备。Perplexity 发布嵌入模型 pplx-embed-v2-late，含 0.6B 边缘版和 9B 版
同一批报道显示，Perplexity 把 pplx-embed-v2-late 以开源方式放出，覆盖 9B 与 0.6B 两种规模，并强调搜索场景的适配。这类「大模型做检索、小模型进终端」的双档策略，正成为嵌入模型发布的新常态。Perplexity 开源 pplx-embed-v2-late：9B/0.6B 多模态嵌入模型
几乎同时，Google 推出 EmbeddingGemma 2，基于 Gemma 4 构建，主打原生多模态能力，并宣称可在手机本地运行，官方还表示其效果优于体量约两倍的同类嵌入模型。这把竞争焦点从纯文本语义相似度推向「端侧 + 多模态」。Google发布EmbeddingGemma 2嵌入模型
此外，arXiv 上出现 KGATE，一个模块化知识图谱自编码训练环境，反映出嵌入训练正与知识图谱、结构化监督结合，试图缓解纯对比学习对数据质量的依赖。KGATE 发布：模块化知识图谱自编码训练环境
嵌入模型的当前焦点与观察点
第一是尺寸与部署位置的取舍：9B 级模型追求榜单分数，0.6B 级与 EmbeddingGemma 2 则强调本地运行，用户需要在延迟、隐私与精度之间做权衡。第二是评测口径，MADQA、Q2D-Web 等基准各有侧重，跨榜单的「超过两倍体量对手」一类说法仍需独立复现。第三是多模态与结构化数据的融合程度，以及在中文、长文档等场景下的实际表现。对开发者而言，嵌入模型的可替换性、向量维度与授权条款，比单次跑分更值得长期跟踪。