Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как сменить embedding-модель в Qdrant без простоя
Blue-green миграция embedding-модели Qdrant: новая коллекция, dual write, scroll, повторное кодирование, alias cutover и вариант named vectors для 1.18+.
Как обновить индекс MongoDB Vector Search без простоя и потери отката
Versioned index и embedding field, rebuild-поведение, backfill, dual read, canary, проверка готовности и безопасное удаление старой версии.
Как создать индекс Pinecone со встроенной embedding-моделью
Создание serverless index через create_index_for_model: cloud, region, hosted embedding model, field_map, ожидание готовности и контрольный поиск.
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 создать и восстановить snapshot Qdrant без потери данных
Резервная копия коллекции Qdrant: create_snapshot, скачивание, checksum, совместимость версий, recover_snapshot, priority и контроль points и поиска.
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 найти похожие документы Typesense по id без нового embedding
Рекомендации по существующему документу в Typesense 30.2: vector_query с id, исключение исходного id и проверка прав.
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 фильтровать payload в Qdrant через must, should и must_not
Безопасный payload filter Qdrant: логика must, should, must_not, MatchValue, числовые диапазоны, payload index и отрицательный тест доступа.
Как сохранить embeddings в Neo4j через setNodeVectorProperty без смешивания моделей
Идемпотентная запись vectors в узлы: MERGE, model_id, checksum, проверка длины и db.create.setNodeVectorProperty вместо строковой сборки Cypher.
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 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 задать embedding-модель локально в LlamaIndex и не смешать индексы
Settings как глобальный fallback и локальный embed_model для конкретного индекса с тестом на совместимость после перезапуска.
Как настроить смысловой поиск в Haystack InMemoryEmbeddingRetriever
Индексируем документы и запрос одной embedding-моделью, проверяем размерность, top_k и качество на перефразировках.
Как настроить auto-embedding Typesense на встроенной модели
Поле embed.from в Typesense 30.2, встроенная модель, индексация текста и семантический запрос без ручной передачи вектора.
Как переключить коллекцию Milvus через alias без изменения приложения
Blue-green миграция Milvus: create_alias, alter_alias, shadow queries, сверка count/Recall и контролируемый rollback на старую collection.
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 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 получить embeddings через vLLM и не перепутать модель с чат-LLM
Подаём две строки в /v1/embeddings со специализированной моделью и проверяем количество и размерность векторов.
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.