Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 восстановить индекс Pinecone из backup и проверить данные
Serverless backup как некверируемая копия, create_index_from_backup, новое имя, сохранение dimension/metric/embed config, readiness и контрольный поиск.
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 создать embeddings для поиска по текстам: чанки, векторы и проверка выдачи
Практический семантический поиск через embeddings: подготовка фрагментов, вызов API, cosine similarity и тест качества.
Как создать deployment в Replicate API и ограничить масштабирование
Создание deployment через интерфейс или POST /v1/deployments: model, version, hardware, min_instances, max_instances и проверка конфигурации.
Как создать on-demand deployment Fireworks AI и выбрать deployment shape
Выбор shape, создание через firectl, фиксация региона, проверка состояния и запрос по ресурсу deployment без выдуманных GPU-конфигураций.
Как создать Preset в OpenRouter и вынести конфигурацию модели из кода
Preset как версионируемая конфигурация: модель, fallback, системный prompt, routing и параметры; вызов через @preset/slug и тест обновления.
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 создать model.yaml в LM Studio для вариантов одной модели
Как создать model.yaml в LM Studio для вариантов одной модели: точная настройка, пример, критерии проверки и типичные ошибки.
Как создать Preset в LM Studio для повторяемых промптов
Как создать Preset в LM Studio для повторяемых промптов: точная настройка, пример, критерии проверки и типичные ошибки.
Как фильтровать результаты Pinecone по metadata без утечки данных
Metadata filters Pinecone: $eq, $in, $gt, $and, типы полей, integrated text search, negative tests и проверка, что запрещённые документы не попали в top_k.
Как создать персону клиента с ИИ и не выдумать аудиторию
Как собрать персону на основе интервью, аналитики и отзывов, отделив реальные данные от красивых гипотез нейросети.
Как создать модель Ollama из каталога Safetensors через API
Загружаем каждый файл каталога как blob, собираем отображение files, вызываем /api/create и проверяем финальный status:"success".
Как создать собственного GPT в ChatGPT без программирования
Пошагово объясняем, как собрать кастомный GPT: роль, инструкции, знания, тестовые вопросы и безопасная публикация.
Как создать задачу в ChatGPT: напоминания и регулярные действия
Как настроить задачу в ChatGPT, изменить расписание, проверить уведомления и избежать слишком общих автоматических запросов.
Как добавить rerank в RAG через Pinecone Inference
Rerank shortlist через bge-reranker-v2-m3: query, documents, top_n, rank_fields, return_documents, score, Recall@k и проверка связи с исходными ID.
Как импортировать большой датасет в Pinecone из object storage
Bulk import из S3, GCS или Azure Blob: serverless index, storage integration, Parquet или JSONL, директории namespaces, error_mode и polling.
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 семантический поиск Pinecone и проверить Recall@k
Semantic search по тексту или вектору: тот же namespace, top_k, metadata, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как разделить арендаторов Pinecone через namespaces
Один namespace на tenant в serverless index: upsert, query, offboarding, защита от подмены namespace и отрицательный тест межклиентской изоляции.