Поиск.
Найдено: 12 моделей и 20 материалов
Нейросети
Весь каталог
- Бесплатная$0 · ₽ уточняйте
- Plus$20 · ₽ уточняйте
- Pro$200 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Pro$20 · ₽ уточняйте
- Team$25 · ₽ уточняйте
- Чат$0 · ₽ уточняйте
- API V3уточняйте · уточняйте
- Бесплатная$0 · ₽ уточняйте
- Google AI Pro$19.99 · ₽ уточняйте
- Бесплатно$0 · ₽ уточняйте
- Plus / Maxуточняйте · уточняйте
- Бесплатная$0 · ₽ уточняйте
- SuperGrok$30 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Copilot Pro$20 · ₽ уточняйте
- Microsoft 365 Copilot$30 · ₽ уточняйте
- Открытый код$0 · ₽ уточняйте
- Алиса$0 · ₽ уточняйте
- Yandex Cloudуточняйте · уточняйте
- Бесплатная$0 · ₽ уточняйте
- Pro$9 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- NotebookLM Plusуточняйте · уточняйте
Материалы
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 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 поиск Qdrant через Query API и измерить Recall@k
Поиск ближайших соседей через query_points: limit, with_payload, exact baseline, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как настроить векторный поиск Milvus и измерить Recall@k
Milvus search: anns_field, COSINE, limit, output_fields, параметры поиска, gold-набор и калибровка качества до подключения RAG.
Как сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
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 сделать поиск по документам с RAG: от файлов до проверяемого ответа
Понятный план RAG-системы: очистка документов, разбиение текста, embeddings, поиск фрагментов и ответы со ссылками.
Perplexity или ChatGPT для поиска: что выбрать для учёбы и работы
Сравниваем Perplexity и ChatGPT для поиска: источники, диалог, работа с черновиками и способ выбрать сервис на реальной задаче.
Как использовать embeddings GigaChat для поиска похожих текстов
Embeddings GigaChat: вектор из 1024 координат, окно 512 токенов, косинусное сходство, чанкинг и проверка качества поиска.
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 измерить Recall@k поиска через InformationRetrievalEvaluator
Готовим queries, corpus и relevant_docs, проверяем golden IDs и сравниваем качество модели до смены индекса.
Как настроить смысловой поиск в Haystack InMemoryEmbeddingRetriever
Индексируем документы и запрос одной embedding-моделью, проверяем размерность, top_k и качество на перефразировках.
Как измерить Recall@10 ANN-поиска Vespa через exact baseline
Два сопоставимых nearestNeighbor-запроса с approximate:false, формула Recall@10 и ограничения exact baseline.
Как измерить полноту поиска в Haystack через DocumentRecallEvaluator
Размеченные документы, SINGLE_HIT и MULTI_HIT, индивидуальные оценки и тест на потерю нужного фрагмента.
Как выполнить kNN-поиск в Typesense с готовым embedding
vector_query для Typesense 30.2: q=*, k, per_page, exclude_fields и проверка одинаковой модели запроса и документов.
Как фильтровать поиск Weaviate по properties без утечки данных
Filters.by_property в Weaviate: equal, greater_or_equal, логические AND/OR, типы properties, tenant/ACL и отрицательные тесты доступа.
Как фильтровать k-NN поиск OpenSearch по tenant и visibility
Filter внутри knn query, применимость Lucene/Faiss, безопасный tenant ACL, top-k и отрицательный тест на межклиентскую утечку.
Как фильтровать поиск LanceDB: prefilter или postfilter
SQL where в LanceDB, tenant и visibility, prefilter по умолчанию, postfilter, scalar index и отрицательный тест межклиентской выдачи.
Как фильтровать векторный поиск Milvus по tenant и metadata
Filtered Search в Milvus: выражение filter до ANN, tenant_id, year, visibility, output_fields и отрицательный тест межклиентской изоляции.
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.