Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 создать векторное поле Typesense: float[], num_dim и проверка модели
Схема Typesense 30.2 для внешних embeddings: num_dim, vec_dist, проверка размерности и миграция без смешивания моделей.
Как настроить auto-embedding Typesense на встроенной модели
Поле embed.from в Typesense 30.2, встроенная модель, индексация текста и семантический запрос без ручной передачи вектора.
Как настроить HNSW в Typesense: M, ef_construction и ef
Официальные параметры HNSW Typesense 30.2: defaults, индексирование, ef на запросе и проверка Recall@10, памяти и p95.
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 векторный поиск Typesense по tenant без утечки документов
filter_by и фасетное tenant-поле в Typesense 30.2: серверная авторизация, отрицательный тест и корректная оценка top-k.
Как использовать flat_search_cutoff Typesense для малого отфильтрованного набора
Typesense 30.2: условный brute-force поиск после filter_by, сравнение с HNSW и контроль задержки на маленьком наборе.
Как найти похожие документы Typesense по id без нового embedding
Рекомендации по существующему документу в Typesense 30.2: vector_query с id, исключение исходного id и проверка прав.
Почему Typesense возвращает далёкие векторные результаты: distance_threshold
Диагностика далёких соседей в Typesense 30.2: distance_threshold, k, проверка модели и безопасное поведение при пустой выдаче.
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 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 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 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.
ChatGPT Tasks или Google Tasks: что выбрать для напоминаний
Сравниваем задачи ChatGPT и Google Tasks: обычные напоминания, повторение, автоматические сводки и сценарии, где лучше не усложнять.
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.