Поиск.
Найдено: 0 моделей и 10 материалов
Материалы
Как сохранить несколько embeddings одного документа в Meilisearch
Массив векторов одного документа в _vectors.embeddings для нескольких абзацев, их обновление и проверка релевантности.
Как настроить composite embedders Meilisearch для индексации и поиска
Экспериментальный compositeEmbedders: разные среды одной модели, равная размерность, совместимость vectors и план отката.
Как настроить distribution в Meilisearch для слишком высоких semantic scores
Проверка showRankingScore, подбор mean/sigma и контроль порога релевантности без переиндексации vectors.
Как настроить два embedders в Meilisearch для разных типов запросов
Раздельные named embedders для краткого названия и длинной спецификации, выбор hybrid.embedder и тест несовместимых vectors.
Как подключить OpenAI embedder к Meilisearch и проверить индексацию
Конфигурация openAi source, documentTemplate, асинхронные tasks и тест русского семантического запроса без публикации API-ключа.
Как настроить semanticRatio в Meilisearch для артикулов и смысловых запросов
Сравнение keyword, hybrid и semantic режимов на SKU и перефразированиях с точными JSON-параметрами и критериями качества.
Как подключить REST embedder к Meilisearch и проверить формат ответа
Настройка source:rest, request/response templates и обязательное совпадение структуры API поставщика embeddings.
Как проверить documentTemplate Meilisearch до запуска переиндексации
Точная проверка Liquid-шаблона через POST /render-template на реальных и новых документах, без лишних полей и расходов.
Как включить binary quantization в Meilisearch и не потерять исходные vectors
Необратимая настройка binaryQuantized: план отдельного embedder, сравнение памяти, качества и стратегии восстановления.
Как загрузить свои embeddings в Meilisearch через userProvided
Собственные vectors в поле _vectors: dimensions, regenerate:false, запрос vector и проверки несовместимых моделей.