Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers
介紹了基於 Sentence Transformers 的「多向量（Late Interaction）」嵌入模型，如 LightOn 的 LateOn 和 mLateOn。
向量搜尋與 Embedding
Embeddings & Vector Search ・ 28 筆內容
把文字變成向量、用語意找資料，以及重排序。
也叫做：embedding、embeddings、向量資料庫、向量数据库、vector database、vector db、vector search、向量搜尋、語意搜尋、semantic search、pgvector、reranking、rerank、重排序
學習路徑
由淺入深：入門 → 進階 → 高階
入門初窺門徑
How Multi-Vector Retrieval Works at Scale（在新分頁開啟原站）
Hamel Husain24 分鐘○ 無原文
Embeddings: What they are and why they matter（在新分頁開啟原站）
Simon Willison39 分鐘○ 無原文
使用Python构建RAG系统 —— 用代码还原 RAG系统的每个细节（在新分頁開啟原站）
马克的技术工作坊18 分鐘○ 無原文
進階登堂入室
Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers
Hugging Face Blog● 有原文
Why Glean Builds Custom Embedding Models for Every Customer
Jason Liu（部落格）● 有原文
The Current State of Agentic Retrieval - Qdrant Roundtable
Agentic Conversations（原 MLOps.community）59 分鐘● 有原文
The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)（在新分頁開啟原站）
Dave Ebbelaar59 分鐘○ 無原文
高階爐火純青
How Hugging Face Inference Endpoints, Jobs, and Buckets Power Search on Papers with Code
Hugging Face Blog● 有原文
How to Build an Open-Domain Question Answering System?
Lilian Weng（部落格）● 有原文
排行前 8 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
How Hugging Face Inference Endpoints, Jobs, and Buckets Power Search on Papers with Code
介紹了 Papers with Code 如何利用 Hugging Face 的 Inference Endpoints、Jobs 和 Buckets 構建強大的搜尋系統。
Introducing OlmoEarth embeddings: Custom embedding exports from OlmoEarth Studio for downstream analysis
介紹了 OlmoEarth Studio 推出的可定製嵌入輸出功能，允許使用者將地球觀測資料轉換為緊湊的數值向量。這些嵌入支援多種下游任務，如相似性搜尋、分割及無監督探索。
Training and Finetuning Multi-Vector Embedding Models with Sentence Transformers
介紹如何使用 Sentence Transformers 訓練和微調多向量嵌入模型，以實現類似 ColBERT 的晚互動檢索。
The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)（在新分頁開啟原站）
這門課程從零開始，實作一套完整的混合搜尋系統，整合 BM25、稠密嵌入與 Reranker。作者使用 FinanceQA 資料集，詳細展示如何建立索引、執行搜尋並融合結果，最終透過 RRF 與 Reranker 提升檢索品質。
3.5 萬次觀看※ 摘要僅根據標題與說明
The Current State of Agentic Retrieval - Qdrant Roundtable
本訪談探討了 AI 代理在檢索（Retrieval）領域的最新狀態。討論涵蓋了代理如何高效搜尋、評估結果、以及利用技能與強化學習來最佳化搜尋行為。
- 2,500次觀看
※ 摘要僅根據標題與說明
[Paper Analysis] On the Theoretical Limitations of Embedding-Based Retrieval (Warning: Rant)（在新分頁開啟原站）
探討向量嵌入在檢索任務中的理論限制，指出即使查詢極其簡單，模型仍可能無法返回所有相關結果。作者結合學習理論，證明嵌入維度限制了能返回的頂部 k 個結果數量，並透過 LIMIT 資料集驗證，即使最優模型也無法解決此問題。
3.7 萬次觀看※ 摘要僅根據標題與說明
最新
依發布時間
Per-Layer Embeddings (PLE) in Gemma 4 explained（在新分頁開啟原站）
Google DeepMind 的 Maarten Grootendorst 解釋了 Gemma 4 中每層嵌入（PLE）的概念，讓每個字元獲得獨立的層別嵌入，從而提升表現而不增加引數。
1.4 萬次觀看※ 摘要僅根據標題與說明
Build Your Own Company Wiki with AI Search (Full Tutorial)（在新分頁開啟原站）
Dave 展示如何結合 Fumadocs 與 Sanity 建立公司知識庫，並使用 AI 程式設計代理進行客製化。影片涵蓋從設定本地 Markdown 檔案、匯入 Sanity 編輯器，到配置關鍵字、語意搜尋及 AI 聊天 widget…
1.7 萬次觀看※ 摘要僅根據標題與說明
How to get discovered in AI search
這期節目探討了 AI 搜尋如何改變資訊發現方式，並介紹了 Discovered Labs 的創辦人 Liam Dunne 和 Ben Moore 關於從傳統 SEO 轉向 AI 搜尋的觀點。
Stop Picking Embedding Models Off The MTEB Leaderboard（在新分頁開啟原站）
標題指出許多模型在 MTEB 排行榜上排名靠後，但實際應用中卻表現不佳，強調應根據實際需求選擇合適的模型，而非盲目追求排行榜上的第一名。
4,900次觀看※ 摘要僅根據標題與說明
- 2,500次觀看
※ 摘要僅根據標題與說明
Agent搜索和记忆的基础设施：腾讯云 Elastichsearch Service 企业版详细攻略（在新分頁開啟原站）
介紹騰訊雲 ElasticSearch 企業版，涵蓋 ES 基礎教學與 RAG 應用實作，適合希望快速上手 AI 搜尋與記憶技術的開發者。
3,988次觀看※ 摘要僅根據標題與說明
Training and Finetuning Multi-Vector Embedding Models with Sentence Transformers
介紹如何使用 Sentence Transformers 訓練和微調多向量嵌入模型，以實現類似 ColBERT 的晚互動檢索。
How Hugging Face Inference Endpoints, Jobs, and Buckets Power Search on Papers with Code
介紹了 Papers with Code 如何利用 Hugging Face 的 Inference Endpoints、Jobs 和 Buckets 構建強大的搜尋系統。
Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers
介紹了基於 Sentence Transformers 的「多向量（Late Interaction）」嵌入模型，如 LightOn 的 LateOn 和 mLateOn。
Agent Memory EXPLAINED - Complete Architecture（在新分頁開啟原站）
深入解析 AI 代理的長期記憶架構，介紹 Mem0 系統如何透過混合搜尋與向量搜尋結合，實現持久化記憶。影片詳述記憶的 ingestion 管道、儲存機制及實際應用，並提供本地執行的開放模型選擇。
※ 摘要僅根據標題與說明
Introducing OlmoEarth embeddings: Custom embedding exports from OlmoEarth Studio for downstream analysis
介紹了 OlmoEarth Studio 推出的可定製嵌入輸出功能，允許使用者將地球觀測資料轉換為緊湊的數值向量。這些嵌入支援多種下游任務，如相似性搜尋、分割及無監督探索。
The Current State of Agentic Retrieval - Qdrant Roundtable
本訪談探討了 AI 代理在檢索（Retrieval）領域的最新狀態。討論涵蓋了代理如何高效搜尋、評估結果、以及利用技能與強化學習來最佳化搜尋行為。
