Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выбрать FLAT или HNSW для векторного поиска Redis
Сравнение exact FLAT и approximate HNSW в Redis: recall, latency, память, build time и воспроизводимый benchmark на одном корпусе.
Как выбрать vector index LanceDB: IVF_PQ, IVF_RQ или IVF_HNSW
Сравнение индексов LanceDB по recall, latency и сжатию: IVF_PQ, IVF_RQ, IVF_HNSW_FLAT/SQ, metric и контроль build status.
Как выбрать COSINE, L2 или IP для Redis Vector Search
Контракт embedding-модели, нормализация, distance вместо similarity, пороги и тест выбора COSINE, L2 или IP в Redis.
Как выбрать cosine или euclidean для Neo4j Vector Search
Сравнение similarity functions Neo4j по model card, нормализации, exact vector functions, Recall@10 и безопасной миграции индекса.
Как выбрать Lucene или Faiss для Vector Search в OpenSearch
Сравнение Lucene HNSW, Faiss HNSW/IVF и deprecated NMSLIB по фильтрам, training, масштабу, памяти, indexing и recall.
Как настроить M, EF_CONSTRUCTION и EF_RUNTIME для HNSW в Redis
Пошаговый benchmark HNSW Redis: build-параметры M и EF_CONSTRUCTION, query-параметр EF_RUNTIME, Recall@10, p95 и память.
Как создать knn_vector индекс OpenSearch с HNSW без ошибки dimension
Проверяемый mapping OpenSearch: index.knn, knn_vector, dimension, cosinesimil, Lucene HNSW и отрицательный тест несовместимого embedding.
Как создать векторный индекс Redis для JSON-документов через HNSW
Практический FT.CREATE ON JSON: PREFIX, JSONPath, DIM, FLOAT32, COSINE, HNSW и отрицательный тест размерности embedding.
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.
Как выбрать cosine, dotProduct или euclidean в MongoDB Vector Search
Сравнение трёх similarity по контракту embedding-модели, нормализации, ranking, exact baseline и миграции через новый индекс.
Как создать relationship vector index Neo4j и искать похожие связи
Vector index для relationship property: CREATE VECTOR INDEX, SEARCH по отношению, SCORE и практический пример семантики утверждений GraphRAG.
Как создать vector index Neo4j через Cypher и проверить состояние ONLINE
CREATE VECTOR INDEX с dimension, cosine, filter properties, IF NOT EXISTS и обязательной проверкой SHOW VECTOR INDEXES перед запросами.
Как искать vectors в Redis по радиусу через VECTOR_RANGE
VECTOR_RANGE вместо фиксированного top-k: radius parameter, yield_distance_as, epsilon, сортировка и калибровка порога отказа.
Как настроить HNSW в pgvector и подобрать ef_search по Recall@10
Создание HNSW-индекса, m, ef_construction, ef_search, SET LOCAL и честное сравнение ANN с exact search.
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 выбрать angular или euclidean distance для embeddings в Vespa
Привязка метрики Vespa к embedding-модели, сравнение angular и euclidean и проверка совместимости индекса.
Как настроить IVFFlat в pgvector: lists, probes и порядок загрузки
Расчёт стартовых lists и probes, создание индекса после загрузки данных, exact baseline и диагностика неполной выдачи.
Как сделать гибридный поиск Redis по тексту, фильтрам и vectors
Один FT.SEARCH объединяет TEXT, TAG и KNN: безопасный tenant pre-filter, PARAMS, distance, baselines и оценка hybrid retrieval.
Как выбрать метрику pgvector: cosine, L2 или inner product
Операторы <=>, <-> и <#>, преобразование distance в similarity, нормализованные embeddings и точный baseline для RAG.
Как выполнить KNN-поиск в Redis через FT.SEARCH и DIALECT 2
Рабочий KNN-запрос Redis: бинарный query vector, PARAMS, distance alias, SORTBY, RETURN, LIMIT и проверка top-k.