Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как настроить distribution в Meilisearch для слишком высоких semantic scores
Проверка showRankingScore, подбор mean/sigma и контроль порога релевантности без переиндексации vectors.
Как настроить composite embedders Meilisearch для индексации и поиска
Экспериментальный compositeEmbedders: разные среды одной модели, равная размерность, совместимость vectors и план отката.
Как настроить два embedders в Meilisearch для разных типов запросов
Раздельные named embedders для краткого названия и длинной спецификации, выбор hybrid.embedder и тест несовместимых vectors.
Как настроить semanticRatio в Meilisearch для артикулов и смысловых запросов
Сравнение keyword, hybrid и semantic режимов на SKU и перефразированиях с точными JSON-параметрами и критериями качества.
Как подключить OpenAI embedder к Meilisearch и проверить индексацию
Конфигурация openAi source, documentTemplate, асинхронные tasks и тест русского семантического запроса без публикации API-ключа.
Как настроить гибридный поиск Typesense: текст, embeddings и alpha
Как Typesense 30.2 объединяет keyword и semantic поиск: query_by, alpha, rerank_hybrid_matches и проверка кодовых запросов.
Как настроить multitenancy Milvus через partition key
Tenant field как partition key в Milvus, routing через фильтр, контроль числа partition, negative tests и границы изоляции пользователей.
Как настроить fallback между моделями в OpenRouter API
Готовая схема models в порядке приоритета: какие ошибки запускают переключение, как узнать итоговую модель и проверить качество резервного ответа.
Как сохранить несколько embeddings одного документа в Meilisearch
Массив векторов одного документа в _vectors.embeddings для нескольких абзацев, их обновление и проверка релевантности.
Как подключить REST embedder к Meilisearch и проверить формат ответа
Настройка source:rest, request/response templates и обязательное совпадение структуры API поставщика embeddings.
Как проверить documentTemplate Meilisearch до запуска переиндексации
Точная проверка Liquid-шаблона через POST /render-template на реальных и новых документах, без лишних полей и расходов.
Как включить binary quantization в Meilisearch и не потерять исходные vectors
Необратимая настройка binaryQuantized: план отдельного embedder, сравнение памяти, качества и стратегии восстановления.
Как загрузить свои embeddings в Meilisearch через userProvided
Собственные vectors в поле _vectors: dimensions, regenerate:false, запрос vector и проверки несовместимых моделей.
Как настроить смысловой поиск в Haystack InMemoryEmbeddingRetriever
Индексируем документы и запрос одной embedding-моделью, проверяем размерность, top_k и качество на перефразировках.
Как настроить HNSW в Typesense: M, ef_construction и ef
Официальные параметры HNSW Typesense 30.2: defaults, индексирование, ef на запросе и проверка Recall@10, памяти и p95.
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 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 настроить гибридный поиск Pinecone для артикулов и смысла
Сравнение dense, full-text BM25, sparse+dense и Reciprocal Rank Fusion: проверяемые параметры, контроль артикула, semantic query и выбор архитектуры.
Как настроить гибридный поиск Qdrant: dense, sparse и RRF
Гибридный поиск Qdrant через named vectors, prefetch и Reciprocal Rank Fusion: точные артикулы, смысловые запросы, проверка Recall@k и p95.
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.