Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 сохранить и повторно загрузить SentenceTransformer локально
Сохраняем модель и конфигурацию в локальную папку, отключаем случайное скачивание и проверяем результат на том же контрольном тексте.
Как переранжировать результаты поиска через CrossEncoder.rank
Повторно проверяем top-k кандидатов для одного вопроса, сохраняем corpus_id и не применяем дорогую парную модель ко всей коллекции.
Как получить и проверить embedding текста в Sentence Transformers
Генерируем векторы для нескольких предложений, проверяем форму массива, версию модели, язык и сохранение связи с исходной строкой.
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 эмбеддинги Together AI и проверить порядок векторов
Один и несколько текстов через embeddings.create, multilingual E5, индексы response.data, единая модель для базы и запроса, контроль similarity.
Как уменьшить размер embeddings через truncate_dim без потери контроля качества
Проверяем форму усечённого вектора и Recall@k, отдельно объясняем, почему truncation не делает любую модель Matryoshka.
Как создать эмбеддинги через Hugging Face Inference Providers
Как выбрать feature-extraction модель, вызвать API, включить normalize и проверить размерность и качество семантического поиска.
Как создать эмбеддинги в Gemini API и проверить семантический поиск
Как вызвать embedContent в Gemini API, индексировать фрагменты, считать сходство и проверить поиск на реалистичном наборе вопросов.
Как найти релевантный фрагмент через semantic_search в Sentence Transformers
Кодируем вопрос и документы, связываем corpus_id с текстом, проверяем top_k и строим отказ при отсутствии подходящего источника.
Как измерить Recall@k поиска через InformationRetrievalEvaluator
Готовим queries, corpus и relevant_docs, проверяем golden IDs и сравниваем качество модели до смены индекса.
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 подобрать порог эскалации AI-заявок по precision и recall
Сравниваем два порога по TP, FP, FN, precision и recall на фиксированных обращениях без подгонки на тесте.
Как вычислить precision и recall AI-маршрутизации с обработкой нуля
Рассчитываем precision/recall для срочных заявок и явно обрабатываем отсутствие положительных предсказаний и эталонных кейсов.
Как найти смысловые дубли вопросов через paraphrase_mining
Ищем пары похожих вопросов, читаем позиции и score, исключаем отрицания и цифры ручной проверкой до объединения записей.
Почему encode_query и encode_document различаются в Sentence Transformers
Проверяем prompts для асимметричного поиска, не смешиваем разные схемы кодирования и документируем модель при переиндексации.
Как загрузить embeddings в Redis через pipeline и не потерять документы
Redis JSON и redis-py pipeline: стабильные ключи, проверка EXEC, FLOAT32, manifest, FT.INFO и безопасный повтор загрузки.
Как рассчитать Precision@K для контекста RAG
Считаем долю релевантных document_id в первых K результатах RAG и фиксируем правило для короткой выдачи.
Как уменьшить векторный индекс Azure AI Search через scalar quantization
Настройка scalarQuantization int8 с preserveOriginals, oversampling и проверкой Recall@10 на отдельном индексе.
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.