Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 настроить HNSW Vespa: links, insert и exploreAdditionalHits
Индексные и запросные параметры HNSW в Vespa с измерением Recall@10, памяти, скорости загрузки и p95.
Как создать tensor-поле embeddings в Vespa и проверить размерность
Схема Vespa для tensor<float>, размерность, индекс HNSW и воспроизводимая проверка совместимости embeddings с запросами.
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 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 настроить near_text в Weaviate и откалибровать distance
Семантический поиск Weaviate: near_text, limit, distance, MetadataQuery, gold-набор, Recall@k и безопасный порог для RAG.
Как настроить семантический поиск ChromaDB и проверить distances
Collection.query в ChromaDB: query_texts, n_results, include, вложенная структура ответа, distances и оценка Recall@k для RAG.
Как загрузить embeddings в Vespa через JSONL feed без дублей
Формат put-операций Vespa CLI, стабильные ID, проверка source_id и безопасная повторная загрузка embeddings.
Как выбрать и закрепить embedding function в ChromaDB
EmbeddingFunction в ChromaDB: локальная или удалённая модель, привязка к collection, одинаковая обработка документов и запросов, миграция.
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 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 скрыть embeddings из ответа Vespa через document-summary
Отдельный document-summary для RAG: source_id и text вместо vector payload, запрос presentation.summary и проверка ответа.
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 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 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 фильтровать векторный поиск Vespa по tenant без утечки в RAG
YQL-фильтр вместе с nearestNeighbor, серверный tenant, pre-filtering, отрицательный ACL-тест и проверка полного top-k.
Как хранить chunks для RAG в Vespa с проверяемыми source_id
Схема chunk-документов, parent ID, versioned embeddings, готовый prompt и тест цитат по исходным фрагментам.
Как измерить Recall@10 ANN-поиска Vespa через exact baseline
Два сопоставимых nearestNeighbor-запроса с approximate:false, формула Recall@10 и ограничения exact baseline.