Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как создать dense_vector mapping в Elasticsearch без ошибки размерности
Явный mapping dense_vector: dims, similarity, index_options, single-valued поле и отрицательный тест несовместимого embedding.
Как измерить Recall@10 Elasticsearch kNN против exact vector search
Воспроизводимый benchmark approximate kNN: exact ground truth, одинаковый snapshot, k, num_candidates, filters, shards и p95.
Как настроить kNN Search в Elasticsearch: k и num_candidates
Рабочий запрос approximate kNN, связь k и num_candidates, HNSW, source filtering и измерение Recall@10 против exact baseline.
Как выполнить exact vector search в Elasticsearch через script_score
Brute-force scoring без ANN cutoff, filter для уменьшения набора, exact top-k как ground truth и сравнение с approximate kNN.
Как сделать Hybrid Search в Elasticsearch через BM25, kNN и RRF
Две retrieval-ветви, Reciprocal Rank Fusion, общий tenant filter, rank_window_size, конкретный JSON и оценка nDCG@10.
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 выбрать similarity для dense_vector: cosine, dot_product или L2
Проверяемые требования Elasticsearch к cosine, dot_product, l2_norm и max_inner_product, нормализация и score formulas.
Почему dense_vector нет в _source Elasticsearch и как получить vector
Поведение exclude_source_vectors, fields, docvalue_fields, binary format, rehydration и сохранение исходной точности для аудита.
Почему Elasticsearch kNN возвращает меньше k результатов после фильтра
Разница pre-filter и post-filter в knn query, tenant ACL, заполнение k, num_candidates и отрицательный тест межклиентской выдачи.
Как выполнить KNN-поиск в Redis через FT.SEARCH и DIALECT 2
Рабочий KNN-запрос Redis: бинарный query vector, PARAMS, distance alias, SORTBY, RETURN, LIMIT и проверка top-k.
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 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 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 создать incremental backup Weaviate и проверить восстановление
Полный и incremental backup Weaviate: backend, backup_id, include_collections, wait_for_completion, цепочка base backup, restore и контроль объектов.
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 создать коллекцию Milvus со схемой и векторным индексом
Явная схема Milvus: INT64 primary key, VARCHAR, FLOAT_VECTOR с dimension, AUTOINDEX, COSINE и проверка конфигурации коллекции.
Как создать коллекцию Qdrant с правильными vector size и distance
Практическая настройка коллекции Qdrant: размерность эмбеддинга, Cosine, Dot, Euclid или Manhattan, named vectors и контроль несовместимого вектора.
Как создать коллекцию Weaviate через Python Client v4
Явная схема коллекции Weaviate: правила имён, Property, DataType, vector_config, отключение auto-schema и проверка конфигурации.
Как создать named vectors в Weaviate для разных полей
Несколько embeddings на object: named vectors для title и title+country, source_properties, отдельные indexes, target_vector и добавление vector в 1.31+.
Как создать таблицу LanceDB с точной PyArrow-схемой и Vector
Явная schema LanceDB: FixedSizeList для vector, LanceModel/Vector, nullable-поля, validators и отрицательный тест размерности.