Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как включить int8, int4 или BBQ-квантование dense_vector в Elasticsearch
Сравнение int8_hnsw, int4_hnsw и bbq_hnsw, ограничения dimensions, oversampling, rescoring и честная оценка памяти.
Как создать dense_vector mapping в Elasticsearch без ошибки размерности
Явный mapping dense_vector: dims, similarity, index_options, single-valued поле и отрицательный тест несовместимого embedding.
Как включить scalar или binary quantization в MongoDB Vector Search
Индекс с quantization, сравнение float/scalar/binary, full-fidelity rescoring, Recall@10, p95, RAM и disk без обещаний на чужом benchmark.
Как выполнить exact vector search в Elasticsearch через script_score
Brute-force scoring без ANN cutoff, filter для уменьшения набора, exact top-k как ground truth и сравнение с approximate kNN.
Как выбрать similarity для dense_vector: cosine, dot_product или L2
Проверяемые требования Elasticsearch к cosine, dot_product, l2_norm и max_inner_product, нормализация и score formulas.
Почему dense_vector нет в _source Elasticsearch и как получить vector
Поведение exclude_source_vectors, fields, docvalue_fields, binary format, rehydration и сохранение исходной точности для аудита.
Как включить binary quantization в Meilisearch и не потерять исходные vectors
Необратимая настройка binaryQuantized: план отдельного embedder, сравнение памяти, качества и стратегии восстановления.
Как уменьшить векторный индекс Azure AI Search через scalar quantization
Настройка scalarQuantization int8 с preserveOriginals, oversampling и проверкой Recall@10 на отдельном индексе.
Как квантовать embeddings в int8 через SentenceTransformer.encode
Сравниваем тип и размер массива float32/int8, объясняем необходимость калибровки и измерения recall перед заменой хранилища.
Как измерить Recall@10 Elasticsearch kNN против exact vector search
Воспроизводимый benchmark approximate kNN: exact ground truth, одинаковый snapshot, k, num_candidates, filters, shards и p95.
Как настроить kNN Search в Elasticsearch: k и num_candidates
Рабочий запрос approximate kNN, связь k и num_candidates, HNSW, source filtering и измерение Recall@10 против exact baseline.
Как настроить none, scalar или binary quantization в Neo4j Vector Search
Neo4j 2026.08: vector.quantization.type, default binary, search expansion, rescoring и честное сравнение recall, p95 и памяти.
Как настроить Vector Quantization в OpenSearch и проверить потерю recall
Byte, binary, Lucene/Faiss scalar и product quantization: mapping, ограничения engine, compression, rescoring и честный Recall@10.
Как сделать Hybrid Search в Elasticsearch через BM25, kNN и RRF
Две retrieval-ветви, Reciprocal Rank Fusion, общий tenant filter, rank_window_size, конкретный JSON и оценка nDCG@10.
Как включить on_disk и compression_level для vectors в OpenSearch
Режимы in_memory и on_disk, compression_level 1x–32x, mapping 16x, oversampling/rescoring и проверка recall, latency и RAM.
Как загрузить embeddings в Elasticsearch через Bulk API без частичных потерь
NDJSON для _bulk, стабильные _id, проверка errors и каждого item, refresh для теста и повторяемая загрузка embeddings.
Как включить streaming в Fireworks AI API и собрать ответ без пропусков
Потоковый Chat Completions в Fireworks: stream=true, чтение delta.content, финальная сборка, UTF-8, таймаут и проверка результата.
Как уменьшить индекс pgvector через halfvec и binary quantization
Сравнение vector, halfvec и bit-индексов, expression index, Hamming candidates, reranking исходными embeddings и проверка recall.
Как включить BM25 Full Text Search в Milvus
Нативный полнотекстовый поиск Milvus 2.5+: analyzer, VARCHAR, SPARSE_FLOAT_VECTOR, FunctionType.BM25, индекс и проверка русских терминов.
Как включить iterative scan в pgvector: strict_order и relaxed_order
Настройка pgvector 0.8+ для фильтрованного ANN: strict/relaxed ordering, materialized CTE и ограничения сканирования.