Роль в поисковой архитектуре
точный retrieval с токенными или разреженными представлениями
Сильные стороны
лучшее сохранение лексических сигналов и гибридизация с dense retrieval
| Категория | Late interaction и sparse |
|---|---|
| Тип | learned sparse retrieval |
| Вендор / сообщество | Naver Labs |
| Лицензия | CC BY-NC-SA 4.0 |
| Развёртывание | self-hosted / managed cloud / library — зависит от продукта |
| Надёжность | Надёжность оценивается на concurrent search и ingestion, фильтрах, отказах узлов, reindex, backup/restore и consistency обновлений. |
| Эксплуатация | Для production нужны golden set, метрики latency и recall, контроль версии embeddings, capacity plan, алерты, резервирование и проверенная миграция. |
Типовые сценарии
точный retrieval с токенными или разреженными представлениями; late interaction и sparse; задачи learned sparse retrieval, semantic search, similarity matching и retrieval.
Ограничения
индекс и inference часто дороже одного dense-вектора на документ
Проверка перед production
- Сверьте текущую лицензию, API и ограничения версии.
- Соберите domain golden set и exact ground truth.
- Проверьте search, filters, concurrent upsert, update и delete.
- Измерьте Recall@K, nDCG, P95/P99, QPS, RAM и disk.
- Разыграйте reindex, backup/restore, migration и rollback.
Официальный источник: github.com ↗