Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как настроить гибридный поиск Pinecone для артикулов и смысла
Сравнение dense, full-text BM25, sparse+dense и Reciprocal Rank Fusion: проверяемые параметры, контроль артикула, semantic query и выбор архитектуры.
Как настроить семантический поиск Pinecone и проверить Recall@k
Semantic search по тексту или вектору: тот же namespace, top_k, metadata, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
Как создать эмбеддинги в Gemini API и проверить семантический поиск
Как вызвать embedContent в Gemini API, индексировать фрагменты, считать сходство и проверить поиск на реалистичном наборе вопросов.
Как сделать поиск по документам с RAG: от файлов до проверяемого ответа
Понятный план RAG-системы: очистка документов, разбиение текста, embeddings, поиск фрагментов и ответы со ссылками.
Perplexity или ChatGPT для поиска: что выбрать для учёбы и работы
Сравниваем Perplexity и ChatGPT для поиска: источники, диалог, работа с черновиками и способ выбрать сервис на реальной задаче.
Как использовать embeddings GigaChat для поиска похожих текстов
Embeddings GigaChat: вектор из 1024 координат, окно 512 токенов, косинусное сходство, чанкинг и проверка качества поиска.
Как создать embeddings для поиска по текстам: чанки, векторы и проверка выдачи
Практический семантический поиск через embeddings: подготовка фрагментов, вызов API, cosine similarity и тест качества.
Как создать индекс Pinecone со встроенной embedding-моделью
Создание serverless index через create_index_for_model: cloud, region, hosted embedding model, field_map, ожидание готовности и контрольный поиск.
Как добавить веб-поиск в OpenAI Responses API и сохранить источники
Практическая настройка web_search в Responses API: запрос, список источников, проверка цитат и обработка неполных данных.
Как подключить веб-поиск к OpenAI Responses API и получить проверяемые источники
Рабочий web_search в Responses API: вызов инструмента, доменные ограничения, чтение URL-цитат и проверка актуальности ответа.
Что такое эмбеддинги в нейросетях и зачем они нужны поиску
Объясняем простыми словами, как текст превращается в числовое представление и почему это помогает искать документы по смыслу.
Как настроить поиск в Perplexity: источники, режимы и проверка ответа
Как задавать вопрос Perplexity, выбирать источники и проверять ссылки, чтобы получить исследование, а не уверенный пересказ.
Как восстановить индекс Pinecone из backup и проверить данные
Serverless backup как некверируемая копия, create_index_from_backup, новое имя, сохранение dimension/metric/embed config, readiness и контрольный поиск.
Как добавить Google Maps grounding в Gemini API для поиска мест
Как добавить Google Maps grounding в Gemini API для поиска мест: конкретные шаги, тестовый пример, проверка результата и ошибки.
Как фильтровать поиск по метаданным в OpenAI vector store
Как фильтровать поиск по метаданным в OpenAI vector store: применимость, настройка, пример, метрики и ошибки.
Как выбрать task type для Gemini Embeddings и проверить поиск
Как выбрать task type для Gemini Embeddings и проверить поиск: конкретные шаги, тестовый пример, проверка результата и ошибки.
Perplexity Pro или ChatGPT Plus: что лучше для поиска и работы
Обзор Perplexity Pro и ChatGPT Plus: поиск с источниками, исследования, создание контента и выбор одной подписки под свои задачи.
Как фильтровать результаты Pinecone по metadata без утечки данных
Metadata filters Pinecone: $eq, $in, $gt, $and, типы полей, integrated text search, negative tests и проверка, что запрещённые документы не попали в top_k.
Как загрузить записи в Pinecone через upsert и проверить обновление ID
Пакетный upsert в namespace, уникальные record ID, metadata, замена существующей записи, eventual consistency и сверка через fetch и search.