· AI Engineer World's Fair 2025
Современное состояние AI-поиска и извлечения информации
The State of AI-Powered Search and Retrieval
Качественный AI-поиск для RAG строится на связке: embedding-модель, подобранная под свою задачу, фильтры по структурным данным и reranking.
- Оценка под свою задачу — единой лучшей embedding-модели нет: по словам автора, в Continue.dev на поиске по кодовой базе лучше всего показала себя
voyage-code-3, и выбирать модель стоит по собственной оценке на своих данных. - Структурные данные рядом с вектором — фильтры по метаданным, например по штату или виду юридического документа, применяются в векторном хранилище или после поиска; одних эмбеддингов, по мнению автора, обычно недостаточно.
- Агентный поиск как цикл — агент расширяет или декомпозирует запрос: вопрос о годовых отчётах компании превращается в четыре отдельных запроса по кварталам, а результаты возвращаются в цикл.
- Мультимодальные эмбеддинги —
voyage-multimodal-3помещает текст, изображения и их смесь в одно семантическое пространство. Instruction tuning, то есть управление вектором инструкцией, автор называет следующим шагом; это его прогноз, а не готовый результат.
Кому полезно: тем, кто строит RAG или поиск по коду и выбирает embedding-модель и reranking для своей системы.
Статья по теме
Главы
Похожие доклады
Скрытая жизнь эмбеддингов
AI Engineer Summit 2023
Близко по содержанию
Как довести RAG до production: поиск, оценка и анализ ошибок
AI Engineer Summit 2023
Близко по содержанию
Исследования speech-to-speech моделей в Google DeepMind
Близко по содержанию
Поисковая система для интернета AI-агентов
AI Engineer World's Fair 2026
Близко по содержанию

