Векторные базы данных (vector databases), расширения SQL, библиотеки ANN, модели эмбеддингов и API, мультимодальное извлечение, разреженный поиск, переранжировщики и бенчмарки. Каждая карточка ведёт на официальный источник.
FAISS рассматривается как библиотека поиска по сходству векторов (vector similarity library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
pgvector рассматривается как расширение PostgreSQL для векторного поиска (PostgreSQL vector extension) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Qdrant рассматривается как векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Sentence Transformers рассматривается как векторное представление (embedding) framework для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Elasticsearch Vector Search рассматривается как гибридный поиск (hybrid search) engine для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Milvus рассматривается как distributed векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
MTEB рассматривается как векторное представление (embedding) сравнительный тест (benchmark) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
OpenAI Embeddings рассматривается как векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Pinecone рассматривается как serverless векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Weaviate рассматривается как aI-native векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ANN-Benchmarks рассматривается как aNN сравнительный тест (benchmark) suite для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
BEIR рассматривается как извлечение кандидатов (retrieval) сравнительный тест (benchmark) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
BGE-M3 рассматривается как многоязычный (multilingual) dense sparse model для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
CLIP рассматривается как text-image модель векторных представлений (embedding model) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Azure AI Search рассматривается как управляемый (managed) гибридный поиск (hybrid search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
BGE Reranker рассматривается как переранжировщик на основе кросс-энкодера (cross-encoder reranker) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Cohere Embed рассматривается как многоязычный (multilingual) векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Cohere Rerank рассматривается как переранжирование (reranking) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ColBERT рассматривается как late-interaction извлечение кандидатов (retrieval) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
FlagEmbedding рассматривается как векторное представление (embedding) and переранжировщик (reranker) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
hnswlib рассматривается как библиотека HNSW (HNSW library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Jina Embeddings рассматривается как мультимодальный (multimodal) векторное представление (embedding) программный интерфейс (API) and models для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Multilingual E5 рассматривается как многоязычный (multilingual) модель векторных представлений (embedding model) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
OpenSearch Vector Search рассматривается как open-source гибридный поиск (hybrid search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
VectorDBBench рассматривается как векторная база данных (vector database) сравнительный тест (benchmark) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Amazon OpenSearch Vector Engine рассматривается как управляемый (managed) векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
DiskANN рассматривается как диск (disk)-based ANN для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
MongoDB Atlas Vector Search рассматривается как управляемый (managed) векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Redis Vector Search рассматривается как in-memory векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Text Embeddings Inference рассматривается как векторное представление (embedding) вывод модели (inference) server для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Vertex AI Vector Search рассматривается как управляемый (managed) векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Vespa рассматривается как движок выдачи и поиска (serving and search engine) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Voyage AI Embeddings рассматривается как domain векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
YandexGPT Embeddings рассматривается как russian векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Zilliz Cloud рассматривается как управляемый (managed) векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Chroma рассматривается как векторное представление (embedding) database для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Gemini Embeddings рассматривается как векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
GTE Multilingual рассматривается как многоязычный (multilingual) модель векторных представлений (embedding model) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Jina Reranker рассматривается как многоязычный (multilingual) переранжирование (reranking) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
LanceDB рассматривается как embedded векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Nomic Embed рассматривается как open модель векторных представлений (embedding model) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
NVIDIA cuVS рассматривается как gPU векторный поиск (vector search) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ScaNN рассматривается как квантование (quantization) and partitioning ANN для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
SigLIP рассматривается как text-image модель векторных представлений (embedding model) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
FastEmbed рассматривается как local векторное представление (embedding) runtime для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
GigaChat Embeddings рассматривается как russian векторное представление (embedding) программный интерфейс (API) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
SPLADE рассматривается как learned поиск по разреженным векторам (sparse retrieval) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Ollama Embeddings рассматривается как local векторное представление (embedding) runtime для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Oracle AI Vector Search рассматривается как database-native векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Supabase Vector рассматривается как управляемый (managed) pgvector для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Annoy рассматривается как библиотека древовидного поиска ANN (tree-based ANN library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ClickHouse Vector Search рассматривается как columnar векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Cloudflare Vectorize рассматривается как serverless векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Marqo рассматривается как мультимодальный (multimodal) search engine для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Typesense Vector Search рассматривается как гибридный поиск (hybrid search) engine для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
USearch рассматривается как single-file векторный поиск (vector search) engine для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Infinity рассматривается как векторное представление (embedding) вывод модели (inference) server для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Neon pgvector рассматривается как бессерверный pgvector (serverless pgvector) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
NMSLIB рассматривается как поиск по сходству (similarity search) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
SingleStore Vector Search рассматривается как распределённый SQL (distributed SQL) векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Meilisearch AI Search рассматривается как гибридный поиск (hybrid search) engine для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Upstash Vector рассматривается как serverless векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
BM25S рассматривается как поиск по разреженным векторам (sparse retrieval) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
CockroachDB Vector Indexes рассматривается как распределённый SQL (distributed SQL) векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
DuckDB VSS рассматривается как embedded векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
FlashRank рассматривается как lightweight local переранжировщик (reranker) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ir-measures рассматривается как библиотека метрик информационного поиска (IR metrics library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
pgvectorscale рассматривается как расширение PostgreSQL для векторного поиска (PostgreSQL vector extension) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
rerankers рассматривается как unified переранжировщик (reranker) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Turbopuffer рассматривается как serverless векторная база данных (vector database) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
VectorChord рассматривается как расширение PostgreSQL для векторного поиска (PostgreSQL vector extension) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
ranx рассматривается как ранжирование (ranking) оценка качества (evaluation) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
sqlite-vec рассматривается как расширение SQLite для векторного поиска (SQLite vector extension) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Vald рассматривается как cloud-native векторный поиск (vector search) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
Voyager рассматривается как библиотека HNSW (HNSW library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
SPTAG рассматривается как векторный поиск (vector search) library для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
NGT рассматривается как библиотека графового и древовидного поиска ANN (graph and tree ANN library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
FALCONN рассматривается как библиотека поиска ближайших соседей на LSH (LSH nearest-neighbor library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.
FLANN рассматривается как библиотека поиска ближайших соседей (nearest-neighbor library) для семантического и векторного поиска. Практическую пригодность проверяйте на собственном корпусе документов, запросах, фильтрах и нагрузке.