Гайды.
Пошаговые инструкции по нейросетям: промпты, настройки, сравнение моделей и рабочие сценарии для учёбы, кода и картинок.
1322 материала
Наш Telegram
Новости ИИ без воды
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 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 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 настроить HNSW Vespa: links, insert и exploreAdditionalHits
Индексные и запросные параметры HNSW в Vespa с измерением Recall@10, памяти, скорости загрузки и p95.
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 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 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 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 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 объединить BM25 и vector search в Vespa для поиска по смыслу и словам
Индекс text, BM25 rank feature, nearestNeighbor, объединение кандидатов и измерение качества гибридного поиска.