Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выбрать cosine или dot для нормализованных embeddings в Sentence Transformers
Проверяем единичную норму, сопоставляем две метрики и понимаем, когда dot меняет ранжирование: таблица проверяемых сценариев.
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, 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 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 выбрать angular или euclidean distance для embeddings в Vespa
Привязка метрики Vespa к embedding-модели, сравнение angular и euclidean и проверка совместимости индекса.
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.
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 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 выбрать метрику pgvector: cosine, L2 или inner product
Операторы <=>, <-> и <#>, преобразование distance в similarity, нормализованные embeddings и точный baseline для RAG.
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 выбрать CodeAgent или ToolCallingAgent в smolagents для одной задачи
Проверяемое сравнение CodeAgent и ToolCallingAgent: формат действий, исполнение кода, риск, минимальный пример и выбор для чтения справочника.
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 использовать embeddings GigaChat для поиска похожих текстов
Embeddings GigaChat: вектор из 1024 координат, окно 512 токенов, косинусное сходство, чанкинг и проверка качества поиска.
Как использовать embeddings Mistral для семантического поиска по документам
Практическое руководство: рабочий пример, структура ответа, ограничения, негативные тесты и проверка результата для запроса «как использовать embeddings Mistral».
Как выбрать квантование Qdrant: Scalar, Product или Binary
Сравнение Scalar, Product и Binary Quantization в Qdrant, настройка int8, quantile, always_ram, rescoring и измерение памяти, Recall@k и latency.
Как выбрать синхронное или асинхронное распознавание SpeechKit
Как выбрать синхронное или асинхронное распознавание SpeechKit: настройка API, пример, проверка качества и ошибки.
Как выбрать jacfwd или jacrev для матрицы Якоби в JAX
Сравнение forward- и reverse-mode Jacobian в JAX 0.11.2: одинаковый результат, формы, критерий выбора по входам и выходам.
Как сохранить несколько embeddings одного документа в Meilisearch
Массив векторов одного документа в _vectors.embeddings для нескольких абзацев, их обновление и проверка релевантности.
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.