Gleb Otochkin thực nghiệm trên AlloyDB Omni với 30.000 bản ghi để so sánh hiệu năng giữa việc lưu vector cùng bảng dữ liệu và dùng bảng tách biệt kết hợp JOIN trong các tác vụ tìm kiếm ngữ nghĩa và lọc dữ liệu.
karminski@karminski3Karminski vừa công bố bảng xếp hạng Agentic Coding cho các mô hình tự xây dựng cơ sở dữ liệu vector từ con số 0, dựa trên chỉ số QPS với độ chính xác recall ≥ 95% trên tập SIFT1M.
AI Notes@AYi_AInotesWeChat vừa mã nguồn mở mô hình WeMM-Embedding, đạt đỉnh bảng xếp hạng MMEB với khả năng xử lý linh hoạt văn bản, hình ảnh và video dài. Mô hình giúp giảm đáng kể chi phí lưu trữ vector nhờ khả năng duy trì 99% hiệu suất ngay cả khi nén xuống 256 chiều.
LatticeDB là cơ sở dữ liệu đồ thị dạng tệp đơn, cho phép thực hiện truy vấn đồ thị, tìm kiếm vector HNSW và tra cứu văn bản BM25 trong cùng một lớp mà không cần cấu hình phức tạp. Công cụ này tối ưu cho các tác vụ RAG đồ thị và bộ nhớ cho AI với hiệu suất cực cao.
Sự kết hợp giữa Timescale Vector và LangChain giúp tăng tốc độ tìm kiếm tương đồng lên 243% trên nền tảng PostgreSQL, hỗ trợ truy xuất RAG theo thời gian thực mà vẫn giữ được sự đơn giản vốn có.