La recherche vectorielle consiste à retrouver des données similaires en comparant leurs représentations numériques (embeddings) dans un espace mathématique. Pinecone, par exemple, est une base de données spécialisée dans ce type de recherche.
DICE améliore la récupération de documents longs en fragmentant le texte, encodant chaque chunk indépendamment, puis agrégant les vecteurs en une seule représentation. Sur LongEmbed, les gains atteignent 90.0 pour Dream Passkey >4k (vs 30.0) et 74.0 pour Needle >4k (vs 23.3). L'approche réduit l'indice de dilution d'évidence (EDI) dans 92.8% des cas.
Approche utilisant Hyperdimensional Computing (HDC) et Holographic Reduced Representations pour embeddings de données tabulaires. Dérive des seuils de similarité interprétables pour requêtes structurées (égalité/inégalité), évalue sur deux datasets réels contre baseline EmbDI. HDC détecte fiablement les requêtes sans résultats.
Développeur propose turbo-graph, fork de turbovec ajoutant une couche GraphMemoryIndex pour RAG contraint en local. Adresse limitations du search vectoriel pur : filtres tenant, contraintes temporelles/tags, voisinages graphe, rerank, explicabilité. Alpha, ciblé RAG privé où les contraintes sont critiques.
RAG se dégrade sur collections hétérogènes : la recherche vectorielle perd sa capacité discriminante (Wyoming DOT : 75% → 40% en passant de 54 à 1 128 docs). MASDR-RAG propose le domain scoping via métadonnées organisationnelles, améliorant P@10 de 0,77 à 0,86 (p<0,05). Multi-agent orchestration crée un paradoxe précision-fidélité.
Chroma est une infrastructure de recherche vectorielle pour applications IA. Le projet GitHub trending propose des outils de stockage et requête de vecteurs d'embeddings pour RAG et systèmes basés sur des modèles de langage.
Benchmark comparatif entre Memanto (système mémoire cloud) et SQLite RAG custom sur le dataset LoCoMo. Memanto atteint 90% de précision en 1.878s vs 80% en 2.680s pour SQLite. L'analyse révèle que SQLite souffre de limites API (HTTP 429), tandis que Memanto bénéficie d'une architecture découplée résiliente aux quotas partagés.
TurboVec est un index vectoriel construit sur TurboQuant, écrit en Rust avec liaisons Python. Optimisé pour les recherches vectorielles haute performance.
TurboVec est un index vectoriel construit sur TurboQuant, écrit en Rust avec liaisons Python. Optimisé pour la recherche vectorielle haute performance.
Système automatisant la découverte de schémas exécutables à partir de données multi-sources hétérogènes (tables, documents, fichiers semi-structurés). Le schéma sert de contrat partagé pour construire un graphe de connaissances et router les requêtes via un agent multi-outils (recherche structurée, traversée de graphe, vector search). Améliore les baselines sur quatre benchmarks QA en zéro-shot.
Article technique sur FAISS, la bibliothèque Meta pour la recherche de similarité à l'échelle du milliard. Couvre l'architecture interne, les algorithmes d'indexation et les optimisations pour requêtes massives.
Guide pratique open-source sur les patterns d'ingénierie LLM : RAG, recherche hybride, rerankers, évaluation. Couvre pré-filtrage, scoring en mémoire vs bases vectorielles, batching, nettoyage. Exemples Python inclus. L'auteur souligne que la qualité du harness d'ingénierie égale celle du modèle pour les solutions en production.
Méthode pour établir des correspondances entre vecteurs d'embeddings produits par différents encodeurs. Exploite la cohérence géométrique locale des encodeurs contrastifs entraînés indépendamment : les distances courtes sont préservées à un facteur d'échelle près. Utilise un hachage géométrique itératif basé sur des ancres appairées pour récupérer les liens vectoriels. Code disponible.
Benchmark comparatif de bibliothèques de recherche vectorielle (FAISS, Scann, Usearch) sur vitesse, mémoire et précision. Tests sur 500 à 1 million d'échantillons. Résultats et code disponibles sur GitHub.
OmniRetrieval est un framework qui unifie la récupération d'information sur des sources hétérogènes (texte non structuré, tables relationnelles, graphes de connaissances). Il traduit les requêtes en langage naturel en requêtes natives pour chaque source, testé sur 13 datasets et 309 bases de connaissances.
Amazon OpenSearch Serverless intègre la Vercel Marketplace avec configuration automatique et gestion unifiée. L'intégration supporte recherche vectorielle, lexicale, hybride et agentic. Crédits AWS $100 offerts pour les nouveaux comptes.
Meilisearch est un moteur de recherche API ultra-rapide offrant une recherche hybride alimentée par l'IA pour sites et applications.
Outil local pour inspecter les résultats de recherche avant leur intégration dans un pipeline RAG. Analyse la diversité des sources, doublons, fraîcheur, risques SEO/GEO et différences entre fournisseurs (Brave, Serper, Tavily, Exa). Permet de filtrer les résultats non pertinents avant le contexte du modèle.
Tomesphere indexe 3 millions de papiers arxiv/OpenAlex avec TLDRs Gemini, avis pairs OpenReview, repos GitHub, graphe de citations (250M arêtes) et graphe sémantique SPECTER2 (768D pgvector). Quatre modes de ranking : Influential, Recent, Hidden gems, Nearest. Extension Chrome pour arxiv. Accès gratuit, sans inscription.
Aiki est un outil léger de RAG local permettant de discuter avec Wikipedia hors ligne. Il télécharge et segmente les articles Wikipedia, utilise un retriever TF-IDF + cosine similarity personnalisé, supporte l'expansion de requêtes via liens Wikipedia, et génération optionnelle de réponses par LLM. Dépendances minimales, exécution entièrement locale.
Qdrant est une base de données vectorielle haute performance conçue pour les applications IA à grande échelle. Disponible en open-source et en cloud.
Trois startups d'infrastructure IA atteignent le statut de licorne : Exa (recherche vectorielle), Modal (plateforme cloud) et TurboPuffer (cache distribué). Levées de fonds majeures confirmant la consolidation du marché de l'infra IA.
DIVE compresse les embeddings de LLM via des adaptateurs légers avec perte triplet auto-limitante et contrastive NT-Xent. Surpasse Matryoshka-Adaptor, Search-Adaptor et SMEC sur 6 datasets BEIR à tous les ratios de compression. Implémentation open-source 14M paramètres.
Système RAG deux phases pour l'analyse de crédit corporate : phase 1 combine recherche lexicale et dense multilingue ; phase 2 applique contrôleur adaptatif et scoring LLM-as-Judge basé sur l'utilité analytique plutôt que similarité sémantique. Déploiement on-premise sur corpus multilingue propriétaire. En production : temps d'analyse réduit de plusieurs heures à 3 minutes pour 800+ analystes.
Lance est un format lakehouse ouvert pour l'IA multimodale. Convertit depuis Parquet en 2 lignes de code avec accès aléatoire 100x plus rapide, indexation vectorielle et versioning. Compatible Pandas, DuckDB, Polars, PyArrow, PyTorch.
Pipeline RAG pour décoder du texte à partir de signaux EEG en utilisant un encodeur EEG aligné sur des embeddings sémantiques, une étape de récupération vectorielle et un LLM. Sur le dataset ZuCo, la méthode surpasse la baseline aléatoire avec une similarité cosinus de 0.181±0.022 vs 0.139±0.029 (amélioration de 30.45%), sans teacher forcing à l'inférence.
Infini-News indexe 1,35 milliard d'articles de CC-News (août 2016 à présent) avec extraction de métadonnées, détection de langue (GlotLID, lingua, CommonLingua) et attribution géographique (83,4% couverts). Les index Infini-gram permettent des recherches textuelles en sub-seconde sur l'archive complète.
ERMAR (Enhanced Ranked Memory Augmented Retrieval) est un framework pour gérer efficacement les contextes longs dans les modèles de langage. Il utilise un mécanisme de scoring de pertinence et un modèle de re-ranking pointwise pour les embeddings clé-valeur, inspiré par les techniques learning-to-rank. Résultats SOTA sur benchmarks standards avec meilleure scalabilité.
Pipeline RAG pour décoder du texte à partir de signaux EEG au niveau de la phrase. Combine un encodeur EEG aligné sur des embeddings sémantiques, une récupération vectorielle et un LLM pour raffiner les phrases. Sur le dataset ZuCo, amélioration de 30,45% vs baseline aléatoire (cosine similarity 0.181 vs 0.139).
IVF-TQ propose un index IVF avec couche résiduelle sans codebook : rotation aléatoire fixe + quantification scalaire Lloyd-Max précomputée. Réduit la dégradation en streaming (Deep-10M : -0.80pp vs IVF-PQ -3.23pp). Code disponible.
Amazon Music déploie un système de récupération neurale sparse robuste pour la recherche musicale à grande échelle. Le système gère les fautes de frappe, transpositions et variations phonétiques avec 91,4% de recall@10 sur 6M documents, surpassant les trigrammes (57,7%). Architecture inference-free avec tokenization subword granulaire (max 3 chars) et zéro latence en ligne.
Hugging Face présente la famille de modèles Ettin Reranker, conçus pour améliorer la pertinence des résultats de recherche et RAG. Ces rerankers optimisent le classement des documents après une première phase de récupération.
MongoDB active la recherche vectorielle sur ses éditions autogérées (self-managed). L'annonce du 19 septembre lors de MongoDB.local NYC élargit l'accès aux capacités de recherche vectorielle au-delà des offres cloud.
Google lance EmbeddingGemma, un modèle d'embedding efficace basé sur Gemma. Le modèle offre des performances compétitives avec une empreinte mémoire réduite, optimisé pour les tâches de recherche vectorielle et RAG.
OpenAI acquiert Rockset, une plateforme de base de données vectorielles et d'indexation en temps réel. Cette acquisition renforce les capacités d'infrastructure d'OpenAI pour supporter ses applications IA à grande échelle.
Hugging Face présente une technique de quantification des embeddings en binaire et scalaire pour accélérer et réduire les coûts de la recherche vectorielle. La méthode compresse les représentations denses tout en maintenant la qualité de la récupération d'information.
Hugging Face présente les modèles d'embedding Matryoshka, qui permettent de réduire dynamiquement la dimensionnalité des vecteurs sans réentraînement. Cette approche offre flexibilité et efficacité pour les applications RAG et recherche vectorielle.
OpenAI lance de nouveaux modèles d'embedding et met à jour son API. Les modèles offrent une meilleure performance et des coûts réduits pour les applications de recherche vectorielle et RAG.
Hugging Face présente un générateur de playlist utilisant Sentence Transformers pour encoder les préférences musicales en vecteurs. Le système compare les embeddings des chansons et recommande des titres similaires via recherche vectorielle.
Guide d'introduction aux embeddings : représentations vectorielles de texte, images ou données. Explique les cas d'usage (RAG, recherche sémantique, clustering) et comment utiliser les modèles d'embedding via Hugging Face.
Hugging Face intègre la recherche d'images dans sa plateforme datasets. Les utilisateurs peuvent désormais indexer et interroger des collections d'images via des embeddings vectoriels, facilitant la découverte et l'organisation de données visuelles à grande échelle.