Поиск.
Найдено: 1 модель и 20 материалов
Нейросети
Весь каталог
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 загрузить embeddings в Vespa через JSONL feed без дублей
Формат put-операций Vespa CLI, стабильные ID, проверка source_id и безопасная повторная загрузка embeddings.
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 использовать embeddings GigaChat для поиска похожих текстов
Embeddings GigaChat: вектор из 1024 координат, окно 512 токенов, косинусное сходство, чанкинг и проверка качества поиска.
Как сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
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 выбрать task type для Gemini Embeddings и проверить поиск
Как выбрать task type для Gemini Embeddings и проверить поиск: конкретные шаги, тестовый пример, проверка результата и ошибки.
Как выбрать cosine или dot для нормализованных embeddings в Sentence Transformers
Проверяем единичную норму, сопоставляем две метрики и понимаем, когда dot меняет ранжирование: таблица проверяемых сценариев.
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 скрыть embeddings из ответа Vespa через document-summary
Отдельный document-summary для RAG: source_id и text вместо vector payload, запрос presentation.summary и проверка ответа.
Как загрузить embeddings в Typesense через JSONL и найти ошибки по строкам
Практический импорт JSONL в Typesense 30.2: стабильные id, action=upsert, построчная проверка success и карантин ошибок.
Как загрузить готовые embeddings в Azure AI Search без потери документов
Push API, @search.action upload, ключи документов и проверка результатов каждого элемента пакета в векторном индексе.
Как загрузить свои embeddings в Meilisearch через userProvided
Собственные vectors в поле _vectors: dimensions, regenerate:false, запрос vector и проверки несовместимых моделей.
Как хранить embeddings в pgvector: schema, размерность и upsert
Проектирование vector(n), стабильный ключ документа, ON CONFLICT, проверка размерности и запрет смешивания embedding-моделей.
Как сохранить embeddings в Neo4j через setNodeVectorProperty без смешивания моделей
Идемпотентная запись vectors в узлы: MERGE, model_id, checksum, проверка длины и db.create.setNodeVectorProperty вместо строковой сборки Cypher.
Как загрузить embeddings в MongoDB без дублей и смешивания моделей
Схема документов, стабильные _id, model_id, dimension-check, bulkWrite с upsert и сверка manifest перед запуском MongoDB Vector Search.
Как загрузить embeddings в OpenSearch через Bulk API без частичных потерь
Правильный NDJSON для _bulk, стабильные _id, проверка errors и каждого item, refresh только для теста и сверка manifest после загрузки.
Как проверить NT-Xent loss embeddings через Optax
Optax 0.2.6: четыре embeddings с парными labels дают почти нулевой NT-Xent при высокой внутриклассовой близости.
Как получить embeddings через vLLM и не перепутать модель с чат-LLM
Подаём две строки в /v1/embeddings со специализированной моделью и проверяем количество и размерность векторов.
Как использовать embeddings Mistral для семантического поиска по документам
Практическое руководство: рабочий пример, структура ответа, ограничения, негативные тесты и проверка результата для запроса «как использовать embeddings Mistral».