Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как создать knn_vector индекс OpenSearch с HNSW без ошибки dimension
Проверяемый mapping OpenSearch: index.knn, knn_vector, dimension, cosinesimil, Lucene HNSW и отрицательный тест несовместимого embedding.
Как создать векторный индекс Redis для JSON-документов через HNSW
Практический FT.CREATE ON JSON: PREFIX, JSONPath, DIM, FLOAT32, COSINE, HNSW и отрицательный тест размерности embedding.
Как настроить HNSW-индекс ChromaDB и измерить Recall
HNSW configuration ChromaDB: space, ef_construction, ef_search, max_neighbors, build_threads, resize_factor и тест качества/скорости.
Как создать text_embedding ingest pipeline в OpenSearch
Автоматическая генерация embeddings при ingest: deployed model_id, field_map, default_pipeline, dimension, simulate и контроль ошибок.
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 настроить HNSW в pgvector и подобрать ef_search по Recall@10
Создание HNSW-индекса, m, ef_construction, ef_search, SET LOCAL и честное сравнение ANN с exact search.
Как выбрать vector index LanceDB: IVF_PQ, IVF_RQ или IVF_HNSW
Сравнение индексов LanceDB по recall, latency и сжатию: IVF_PQ, IVF_RQ, IVF_HNSW_FLAT/SQ, metric и контроль build status.
Как выбрать Lucene или Faiss для Vector Search в OpenSearch
Сравнение Lucene HNSW, Faiss HNSW/IVF и deprecated NMSLIB по фильтрам, training, масштабу, памяти, indexing и recall.
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.
Как уменьшить индекс pgvector через halfvec и binary quantization
Сравнение vector, halfvec и bit-индексов, expression index, Hamming candidates, reranking исходными embeddings и проверка recall.
Как выбрать FLAT или HNSW для векторного поиска Redis
Сравнение exact FLAT и approximate HNSW в Redis: recall, latency, память, build time и воспроизводимый benchmark на одном корпусе.
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 настроить Vector Quantization в OpenSearch и проверить потерю recall
Byte, binary, Lucene/Faiss scalar и product quantization: mapping, ограничения engine, compression, rescoring и честный Recall@10.
Как выполнить exact k-NN в OpenSearch через script_score
Brute-force knn_score, предварительный tenant filter, query_value, space_type и exact top-k как ground truth для проверки ANN recall.
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 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 измерить Recall@10 и p95 для k-NN поиска OpenSearch
Воспроизводимый ANN benchmark: exact script_score baseline, frozen snapshot, segments, shards, k, filters, Recall@10 и latency percentiles.
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 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.