'similarity tuning' 검색 결과

OpenAI API (developers.openai.com) の Evals / Fine-tuning リファレンス。 Evals API, Datasets, graders（string check / text similarity / model / python / multi）, agent evals, trace grading, external models, Promptfoo（移行先）, red teaming, SFT, DPO, RFT, vision fine-tuning, distillation, prompt optimizer, fine-tuning best practices。 Evals は 2026-11-30 停止予定、セルフサービス fine-tuning は段階的廃止中。

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Use when a user asks an agent to evaluate or tune text search similarity for an existing Viking AI Search application and dataset.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

FAISS로 대규모 벡터에서 유사한 데이터를 검색하도록 돕습니다. 인덱스 선택과 저장, GPU 사용을 안내하고 검색 속도·정확도·메모리 사용량을 조정합니다.

• 대규모 벡터 유사도 검색 구현
• 속도·정확도·메모리에 맞는 인덱스 선택
• GPU를 이용한 일괄 검색

Manage cached LLM responses, which are saved answers available for reuse. Inspect statistics and stored entries, clear cached data, and configure expiration policies and similarity thresholds that govern when answers can be reused.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Inspecting response cache statistics
• Clearing saved responses
• Adjusting cache expiration policies

Tune vector indexes, which organize data for similarity searches, to balance speed, memory use, and missed matches. Choose index types, adjust HNSW settings, and assess compression options using benchmarks with real queries.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Reduce latency in similarity searches
• Tune HNSW settings to reduce missed matches
• Compare compression options for lower memory use

Use this skill for setting up vector similarity search with pgvector for AI/ML embeddings, RAG applications, or semantic search. **Trigger when user asks to:** - Store or search vector embeddings in PostgreSQL - Set up semantic search, similarity search, or nearest neighbor search - Create HNSW or IVFFlat indexes for vectors - Implement RAG (Retrieval Augmented Generation) with PostgreSQL - Optimize pgvector performance, recall, or memory usage - Use binary quantization for large vector datasets **Keywords:** pgvector, embeddings, semantic search, vector similarity, HNSW, IVFFlat, halfvec, cosine distance, nearest neighbor, RAG, LLM, AI search Covers: halfvec storage, HNSW index configuration (m, ef_construction, ef_search), quantization strategies, filtered search, bulk loading, and performance tuning.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Qdrant에 텍스트 등의 특징을 벡터로 저장해 유사 검색을 구현합니다. 속성 필터링, AI 답변용 자료 검색, 실시간 추천과 대규모 운영 설정을 지원합니다.

• AI 답변용 참고 자료 검색
• 범주와 날짜로 유사 검색 범위 제한
• 실시간 추천 구현

Train sentence-transformers models for search, similarity, and reranking, which reorders search results by relevance. Choose a model type, prepare data, configure training, compare results against a baseline, and publish the trained model to Hugging Face Hub.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Fine-tuning an embedding model for domain-specific search
• Training a model to rerank search results
• Training SPLADE or ColBERT retrieval models

Train sentence-transformers models for search, similarity, and reranking, which reorders search results by relevance. Choose a model type, prepare data, configure training, compare results against a baseline, and publish the trained model to Hugging Face Hub.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Fine-tuning an embedding model for domain-specific search
• Training a model to rerank search results
• Training SPLADE or ColBERT retrieval models

Optimize similarity search — ANN index tuning, hybrid search, reranking, query expansion. Use when asked to "improve similarity search", "tune the ANN index", or "add hybrid search".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Build image classification and search workflows by comparing images with text descriptions. Covers classification without additional training, similarity scoring, batch processing, and storing image representations in a vector database for retrieval.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Classifying images without additional training
• Searching image collections with text descriptions
• Comparing images with candidate descriptions