Qdrant 中的相关性反馈
揭秘自 1.17.0 版本起提供的向量搜索原生相关性反馈功能背后的故事；该功能可以通用、低成本且大规模地提升搜索结果的相关性。
Evgeniya Sukhodolskaya
2026年2月20日
机器学习
探索使现代语义相似度搜索成为可能的机器学习原理与实践。将 Qdrant 和向量搜索功能应用于您的机器学习项目。
miniCOIL：迈向可用稀疏神经网络检索之路
介绍 miniCOIL：一种具备泛化能力的轻量级稀疏神经检索器。
Evgeniya Sukhodolskaya
2025年5月13日
信息检索中的相关性反馈
相关性反馈：从古代历史到大语言模型（LLM）。为什么相关性反馈技术在理论上很好，但在神经搜索中却并不普及？我们又能做些什么？
Evgeniya Sukhodolskaya
2025年3月27日
现代稀疏神经网络检索：从理论到实践
现代稀疏神经检索器综合指南：涵盖 COIL、TILDEv2、SPLADE 等。了解它们的工作原理并学习如何有效地使用它们。
Evgeniya Sukhodolskaya
2024年10月23日
Qdrant 2024 年编程之夏 - Python 中的 ONNX 交叉编码器 (Cross Encoders)
总结我在 Qdrant 2024 年编程之夏的工作与经验。
Huong (Celine) Hoang
2024年10月14日
任何*嵌入模型都可以成为后期交互模型……只要你给它一个机会！
我们最近发现，嵌入模型可以转化为后期交互模型，并在某些场景下表现出惊人的效果。点击此处查看我们的发现。
Kacper Łukawski
2024年8月14日
BM42：混合搜索的新基准
介绍 BM42——一种全新的稀疏嵌入方法，它结合了精确关键词搜索的优势与 Transformer 的智能。
Andrey Vasnetsov
2024 年 7 月 1 日
层回收与微调效率
学习何时以及如何使用层回收（Layer Recycling）来实现不同的性能目标。
优素福·萨里戈兹
2022 年 8 月 23 日
相似汽车搜索的微调
学习如何训练一个能够检索新类别中相似汽车图像的相似度模型。
优素福·萨里戈兹
2022年6月28日
用于异常检测的度量学习
度量学习在异常检测中的实际应用。这是一种仅需约 0.6% 的标记数据即可匹配基于分类方法结果的途径。
优素福·萨里戈兹
2022年5月4日
Triplet Loss（三元组损失）- 进阶介绍
Triplet Loss 相比对比损失（Contrastive loss）有哪些优势？以及如何高效地实现它？
优素福·萨里戈兹
2022年3月24日
度量学习的技巧与窍门
关于如何训练匹配模型并将其投入生产环境的实用建议。即使在没有标记数据的情况下也可以实现。
安德烈·瓦斯涅佐夫
2021年5月15日