Преврати текст в векторы и исследуй смысл как интерактивную 3D-карту, по которой можно искать по близости.
Попробуй
- Ищи по демо-корпусу по смыслу, а не по ключевым словам, и смотри, как подсвечиваются ближайшие совпадения.
- Открой вкладку Chunking и посмотри, как стратегия режет документ на части перед эмбеддингом — это отдельная демка, а не то, что реально подаётся в поиск.
- Переранжируй результаты, чтобы уточнить релевантность сверх голой векторной близости.
Полезно знать
- Эмбеддинги здесь считаются на сервере моделью Google EmbeddingGemma, а не в браузере.
- Точки рядом — близкие по смыслу; расстояние ≈ семантическая разница.
- MMR-переранжирование — чистая векторная математика: мгновенная и детерминированная, переупорядочивает те же dense-кандидаты по релевантности и разнообразию. LLM-реранкер (вкладка Retrieval) — принципиально другой, экспериментальный механизм: один реальный вызов self-hosted модели Gemma с просьбой напрямую оценить релевантность.
- RRF (Reciprocal Rank Fusion) сливает dense- и lexical-ранжирования по позиции в ранге, а не по сырому скору — это делает его нечувствительным к тому, что шкала одного скора задавит другую, поэтому это более безопасный дефолт 2026 года по сравнению с min-max блендом.
Спросить Synapse
Ещё обучается — может выдумывать факты. Проверяйте, прежде чем доверять.