Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как загрузить готовые embeddings в Azure AI Search без потери документов
Push API, @search.action upload, ключи документов и проверка результатов каждого элемента пакета в векторном индексе.
Как разложить документы на chunks для RAG через index projections Azure AI Search
Один поисковый документ на chunk: parent_id, sourceContext, skipIndexingParentDocuments и проверка наследования доступа.
Как загрузить свои embeddings в Meilisearch через userProvided
Собственные vectors в поле _vectors: dimensions, regenerate:false, запрос vector и проверки несовместимых моделей.
Как объединить BM25 и векторный поиск в Azure AI Search через RRF
Гибридный Search POST для артикулов и перефразированных вопросов, test cases, RRF и проверка k против top.
Как уменьшить векторный индекс Azure AI Search через scalar quantization
Настройка scalarQuantization int8 с preserveOriginals, oversampling и проверкой Recall@10 на отдельном индексе.
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 искать текстом через vectorizer Azure AI Search без передачи массива чисел
Настройка vectorizer и REST kind:text для русских вопросов: связка profile, модели и проверка результатов.
Как измерить recall HNSW в Azure AI Search через exhaustive KNN
Точный baseline exhaustive:true, Recall@k, стабильный набор запросов и диагностика trade-off качества и задержки.
Как загрузить embeddings в OpenSearch через Bulk API без частичных потерь
Правильный NDJSON для _bulk, стабильные _id, проверка errors и каждого item, refresh только для теста и сверка manifest после загрузки.
Как фильтровать векторный поиск Azure AI Search по tenant без утечки данных
OData filter и vectorFilterMode preFilter для tenant, негативный тест изоляции и сравнение с postFilter.
Как настроить semantic ranker Azure AI Search для RAG с k=50
Вторичное семантическое ранжирование, конфигурация текстовых полей, k=50 и проверка citations без генеративных обещаний.
Как создать векторный индекс Azure AI Search с верной размерностью
Рабочая схема REST для vector field, HNSW и profile: согласование dimensions с embedding и тест ошибки несовпадения.
Как выполнить vector query в Azure AI Search через REST
Стабильный REST-запрос kind:vector, k и select с проверкой совместимости embedding и исходных документов.
Как загрузить embeddings в MongoDB без дублей и смешивания моделей
Схема документов, стабильные _id, model_id, dimension-check, bulkWrite с upsert и сверка manifest перед запуском MongoDB Vector Search.
Как сохранить и загрузить индекс LlamaIndex после перезапуска
persist_dir, StorageContext и load_index_from_storage с проверкой, что после рестарта не выполняется новая индексация.
Как загрузить только нужные файлы в LlamaIndex через SimpleDirectoryReader
input_files, required_exts и recursive: не отправляем в индекс лишние файлы и проверяем метаданные источника.
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 Vespa через JSONL feed без дублей
Формат put-операций Vespa CLI, стабильные ID, проверка source_id и безопасная повторная загрузка embeddings.
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 загрузить embeddings в Typesense через JSONL и найти ошибки по строкам
Практический импорт JSONL в Typesense 30.2: стабильные id, action=upsert, построчная проверка success и карантин ошибок.