Поиск.
Найдено: 3 модели и 20 материалов
Нейросети
Весь каталог
- Пробный период$0 · ₽ уточняйте
- APIуточняйте · уточняйте
- Cloud free$0 · ₽ уточняйте
- Professional$59 · ₽ уточняйте
- Свой сервер$0 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Paygуточняйте · уточняйте
Материалы
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.
Что такое RAG в нейросетях: как ИИ отвечает по вашим документам
Разбираем RAG без сложных терминов: чем ответы по базе знаний отличаются от «памяти» модели и как проверить, что источник выбран верно.
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.
Как хранить chunks для RAG в Vespa с проверяемыми source_id
Схема chunk-документов, parent ID, versioned embeddings, готовый prompt и тест цитат по исходным фрагментам.
Как настроить semantic ranker Azure AI Search для RAG с k=50
Вторичное семантическое ранжирование, конфигурация текстовых полей, k=50 и проверка citations без генеративных обещаний.
Как очистить текст для RAG через Haystack DocumentCleaner
Удаляем артефакты извлечения из документов, сохраняя значимые пробелы, страницы и исходную разметку.
Как привязать ответ RAG к документам через Haystack AnswerBuilder
GeneratedAnswer, reference_pattern и проверка номеров цитат против фактических документов без ложной атрибуции.
Как собрать проверяемый RAG-промпт в Haystack PromptBuilder
Шаблон с вопросом и документами, обязательные переменные, безопасный отказ при пустом контексте и проверка рендеринга.
Как разложить документы на chunks для RAG через index projections Azure AI Search
Один поисковый документ на chunk: parent_id, sourceContext, skipIndexingParentDocuments и проверка наследования доступа.
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 добавить reranking в Weaviate RAG и проверить качество
Второй этап retrieval в Weaviate: Rerank, prop, query, shortlist limit, rerank score, nDCG и сохранение связи с исходными UUID.
Как подключиться к LanceDB из Python: локально, object storage или Enterprise
Выбор URI LanceDB для локального каталога, S3/GCS/Azure и Enterprise, безопасные credentials, список таблиц и проверка подключения.
Как сделать Generative Search RAG в Weaviate с проверяемыми источниками
Weaviate generate.near_text: grouped_task, grouped_properties, limit, generative provider, source IDs, отказ при пустом контексте и критерии groundedness.
Как добавить rerank в RAG через Together AI и измерить Recall@k
Переранжирование кандидатов по query, top_n, index и relevance_score, сохранение исходных документов и сравнение Recall@k с vector search.
Как сделать RAG на Cloudflare Workers AI и Vectorize без ошибки размерности
Создание Vectorize index с dimensions и cosine, AI и Vectorize bindings, генерация embeddings одной моделью, insert/query и проверка релевантности.
Как накопить средний loss через Flax NNX metrics.Average
Flax 0.12.10: Average учитывает каждый элемент двух batch, compute возвращает общий mean, reset очищает состояние.
Как сделать простой RAG-поиск в smolagents через retriever tool
Минимальный RAG в smolagents: детерминированный retriever tool, русский запрос, ожидаемый фрагмент, проверка источника и ограничения примера.
Как проверить RAG-шаблон LlamaIndex RichPromptTemplate до вызова модели
Jinja-переменные context_str и query_str, предпросмотр format и отдельная проверка поведения генератора.
Как вычислить MAP@K для нескольких релевантных RAG-документов
Считаем average precision по позициям релевантных документов и усредняем по запросам с фиксированным top-K.
Как ограничить размер RAG-контекста по байтам без обрезки цитаты
Собираем RAG-контекст целыми фрагментами с лимитом UTF-8-байтов, не разрезая цитату или русскую букву.