[{"data":1,"prerenderedAt":739},["ShallowReactive",2],{"blog-lancedb-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":21,"sources":28,"cover":53,"og":54,"expertise":55,"locales":56,"lang":59,"title":60,"description":61,"coverAlt":62,"metaTitle":63,"takeaways":64,"faq":70,"toc":83,"blocks":108,"others":486},"lancedb","2026-09-21",9,"rag",[9,10,11,12],"Vector search","Hybrid search","Embedded database","RAG",[4,14,15,16,17,18,19,20],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[22,25],{"name":23,"url":24},"Vector database","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":26,"url":27},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[29,32,35,38,41,44,47,50],{"title":30,"url":31},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":33,"url":34},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":36,"url":37},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":39,"url":40},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":42,"url":43},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":45,"url":46},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":48,"url":49},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":51,"url":52},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg","ai-engineer",[57,58,59],"en","de","hu","LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","Egymásba ágyazott doboz három lappal, két nyíl egyesül négyzetes és kerek tálcáról.","LanceDB teszt: beágyazott vektordatbázis · Balázs Csorba",[65,66,67,68,69],"A LanceDB 0.40.0, 2026. október 7-én kiadva, Apache-2.0 licencű Rust-könyvtár az alkalmazás folyamatában, Python, JavaScript és Rust kliensekkel, futtatandó szerver nélkül.","Körülbelül egymillió sor alatt a vektorindex opcionális: a gyártó FAQ-ja 100 000 pár 1000 dimenziós vektort 20 ms alatt mér, és kis tábláknál kihagyni ajánlja az indexet.","Az HNSW itt nem álló szintű index — csak az IVF-partíciókon belül létezik —, és a dokumentáció figyelmeztet, hogy a HNSW-alapú indexek metaadatfilter alatt nagyobb latenciaszórást mutatnak.","A hibrid keresés a legerősebb funkció: BM25 teljes szöveges és vektoros keresés, amelyet reciprocal rank fusion reranker olvaszt össze, alapértelmezett prefilterrel.","A gyártó saját összehasonlítása szerint az open-source kiadás 10-50 lekérdezés másodpercenként és 500-1000 ms objektumtárolóról, szemben az Enterprise legfeljebb 10 000 lekérdezésével és 50-200 ms-ával.",[71,74,77,80],{"q":72,"a":73},"Szükségem van vektorindexre a LanceDB-ben?","Egyelőre nem. Az FAQ szerint a brute-force keresés 20 ms alatt teljesít 100 000 pár 1000 dimenziós vektornál, és azt mondja, hogy vektorindex körülbelül egymillió sor vagy magasabb dimenzió felett éri meg; ez alatt a scan általában elég gyors.",{"q":75,"a":76},"Miért nincs sima HNSW-index?","A LanceDB-ben az HNSW az IVF-partíciókon belüli alépítmény, nem álló szintű index — ez ötvözi az IVF skálázhatóságát és az HNSW recallját. Az elérhető típusok: IVF_HNSW_FLAT, IVF_HNSW_PQ és IVF_HNSW_SQ az IVF-változatok mellett, kvantizálással és anélkül.",{"q":78,"a":79},"Hogyan marad egészséges az index az open-source kiadásban?","Az indexépítések aszinkron futnak, a hozzáfűzött sorok pedig addig maradnak ki, amíg az optimize() be nem hajtja őket. A create_index azonnal visszatér, a wait_for_index a lefedettség készüléséig vár, a fast_search() pedig kihagyja a lassabb tartalék scan-t a még nem indexelt sorokon.",{"q":81,"a":82},"Mennyibe kerül a LanceDB Enterprise?","Nincs nyilvános árlista: az ároldal kapcsolati űrlap, az Enterprise csomagot pedig managed telepítésként vagy bring-your-own-cloudként árulják SOC 2 Type II és HIPAA lefedettséggel. A gyártó közzétett benchmarkja körülbelül 779 dollár havonta 100 millió vektorra.",[84,87,90,93,96,99,102,105],{"id":85,"title":86},"what-it-is","Mi az a LanceDB",{"id":88,"title":89},"how-it-works","Hogyan fut egy lekérdezés",{"id":91,"title":92},"indexes","Milyen indexet érdemes építeni",{"id":94,"title":95},"getting-started","Első lépések",{"id":97,"title":98},"where-it-shingles","Ahol hibádzik",{"id":100,"title":101},"pricing","Árazás",{"id":103,"title":104},"verdict","Ítélet",{"id":106,"title":107},"sources","Források",[109,113,116,119,138,192,193,200,206,225,228,229,232,276,279,307,308,311,313,327,341,342,345,392,395,409,410,417,425,426,429,441,451,452],{"type":110,"content":111},"paragraph",[112],"A LanceDB egy beágyazott vektordatbázis: egy Rust-könyvtár, amely beágyazódik az alkalmazás folyamatába, és vektorokat, metaadatokat és forrásszöveget tárol a Lance oszlopos formátumban. Nincs telepítendő szerver, nincs méretezendő klaszter és nincs hangolni kellő kapcsolatkészlet — ez a legegyértelműbb érv mellette, és ezért érdemes inkább SQLite-szal, mint Qdranttal összehasonlítani.",{"type":110,"content":114},[115],"A beágyazott megoldásokkal versenyez — SQLite vektoros kiterjesztéssel, Chroma, folyamaton belüli index —, és objektumtárolóra mutatva a hosztolt szolgáltatásokkal. Kiváltja azt a mintát, hogy egy egy gépre férő korpuszhoz külön keresőklasztert üzemessenek.",{"type":117,"level":118,"id":85,"text":86},"heading",2,{"type":110,"content":120},[121,122,126,127,126,130,133,134,137],"A legfrissebb kiadás a 0.40.0, amely 2026. október 7-én jelent meg, és Python 3.10-et vagy újabbat igényel, JavaScriptes és Rustos kliensekkel ugyanazon a Rust magon. Az adatok ott élnek, ahová a csatlakozási URI mutat: helyi könyvtár, ",{"tag":123,"children":124},"code",[125],"s3:\u002F\u002F",", ",{"tag":123,"children":128},[129],"gs:\u002F\u002F",{"tag":123,"children":131},[132],"az:\u002F\u002F"," vagy ",{"tag":123,"children":135},[136],"db:\u002F\u002F"," az Enterprise klaszterhez — és ugyanazokat a Lance-fájlokat mindkét kiadás olvassa.",{"type":139,"ordered":140,"items":141},"list",false,[142,148,153,158,177,182,187],[143,147],{"tag":144,"children":145},"strong",[146],"Licenc:"," Apache-2.0 a könyvtárhoz; az Enterprise kereskedelmi termék, managed vagy bring-your-own-cloud formában.",[149,152],{"tag":144,"children":150},[151],"Forma:"," beágyazva a saját folyamatban — nincs daemon, nincs sharding, nincs külön lekérdezési nyelv.",[154,157],{"tag":144,"children":155},[156],"Tárolás:"," a Lance formátum vektorokat, metaadatokat és nyers adatot tart egyetlen táblában, verziózással és zero-copy olvasással Apache Arrowon át.",[159,162,163,126,166,126,169,172,173,176],{"tag":144,"children":160},[161],"Indexek:"," ",{"tag":123,"children":164},[165],"IVF_RQ",{"tag":123,"children":167},[168],"IVF_PQ",{"tag":123,"children":170},[171],"IVF_HNSW_SQ"," és ",{"tag":123,"children":174},[175],"IVF_HNSW_FLAT"," vektorokhoz, BM25 teljes szöveghez, plusz skalárindexek.",[178,181],{"tag":144,"children":179},[180],"Keresés:"," vektoros, teljes szöveges és hibrid lekérdezések rerankinggel, alapértelmezett prefilterrel, távolsági korlátokkal és pontos scannel.",[183,186],{"tag":144,"children":184},[185],"Skálázás:"," kényelmesen egyetlen csomóponton; az FAQ körülbelül 10-50 milliárd sort és 10-30 TB-ot jelöl meg, mielőtt az Enterprise jönne szóba.",[188,191],{"tag":144,"children":189},[190],"Kliensek:"," Python, JavaScript és Rust, pippel, npmmel vagy cargóval telepítve.",{"type":117,"level":118,"id":88,"text":89},{"type":110,"content":194},[195,196,199],"Index nélküli keresés az scan: minden vektor összehasonlításra kerül a lekérdezéssel, és a legközelebbi k tér vissza — pontos, és elég gyors, amíg a kicsi a tábla. Az IVF-index edzési időt fordít a vektorok partíciókba rendezésére, így a lekérdezés előbb néhány centroiddal hasonlít, majd azokban a partíciókban nyers erővel számol; az ",{"tag":123,"children":197},[198],"nprobes",", alapértelmezésben 20, annyi partíciót nyit meg. Az HNSW aztán partíciónként második szintű gráfként ül benne — ezért mondhatja a dokumentáció, hogy az HNSW nem álló szintű index a LanceDB-ben.",{"type":201,"src":202,"alt":203,"wide":204,"caption":205},"image","\u002Fimages\u002Fblog\u002Flancedb\u002Fdiagram-7.webp","Hibrid lekérdezés futása Balról jobbra haladó folyamat: a sorok egy, helyi lemezen vagy objektumtárolón lévő Lance-táblába kerülnek. A tábla párhuzamosan két indexet táplál: egy vektorindexet az embedding oszlop fölött és egy BM25 teljes szöveges indexet a szövegoszlop fölött, a reciprocal rank fusion lépés pedig összefésül mindkét listát egy rangsorolt top-k-ba.",true,"Hibrid keresés: egy Lance-tábla táplálja a vektorindexet és a BM25-indexet, a rangsor-egyesítés pedig egyetlen listává vonja őket.",{"type":110,"content":207},[208,209,212,213,216,217,220,221,224],"A teljes szöveges keresés külön BM25-index, amelyet a ",{"tag":123,"children":210},[211],"create_fts_index"," épít, a hibrid keresés pedig mindkét ágat futtatja és összefésüli őket: alapértelmezésben RRF-rerankerral, amely listánként rangokká alakít és összead, így az a találat nyer, amelyik ágban jól rangsorol, anélkül hogy bármelyik pontszám-skálya dominálna. A ",{"tag":123,"children":214},[215],"where"," filterek alapértelmezésben prefilterek, a pontozás előtt alkalmazva; a ",{"tag":123,"children":218},[219],"prefilter=False"," a filtert a részlekérdezések mögé teszi, amelyek így kevesebb mint ",{"tag":123,"children":222},[223],"limit"," sort adhatnak vissza.",{"type":110,"content":226},[227],"A tárolási réteg dönt a latenciaprofilról. Helyi lemezen az olvasás memóriatérképezett és gyors; S3-ra, GCS-re vagy Azure Blobra minden hideg olvasás hálózati roundtrip, és a gyártó saját összehasonlítása szerint ez az open-source kiadásnál 500-1000 ms, az Enterprise-nál 50-200 ms, ahol egy NVMe-gyorsítótár szívja fel az ismétlődő olvasásokat.",{"type":117,"level":118,"id":91,"text":92},{"type":110,"content":230},[231],"Az indexválasztás először tömörítési döntés, és a dokumentáció ehhez egyenes:",{"type":233,"head":234,"rows":243},"table",[235,237,239,241],[236],"Elsődleges",[238],"Index",[240],"Tömörítés",[242],"Megjegyzés",[244,252,260,268],[245,247,248,250],[246],"Maximális tömörítés",[165],[249],"A nyers méret kb. 1\u002F32-e",[251],"RaBitQ kvantizálás IVF fölött",[253,255,256,258],[254],"Pontosság 256 dimenzióig",[168],[257],"A nyers méret 1\u002F64-e és 1\u002F16-e között",[259],"Termékkvantizálás, a recall a refine_factorral hangolva",[261,263,264,266],[262],"Legjobb recall-latencia arány",[171],[265],"Valamivel több mint a nyers méret 1\u002F4-e",[267],"IVF-partíciók benne HNSW-vel, skalárkvantizálás",[269,271,272,274],[270],"Legnagyobb recall, kvantizálás nélkül",[175],[273],"Nyers méret plusz gráf-overhead",[275],"A drága, hűséges opció",{"type":110,"content":277},[278],"Két szabály a dokumentációból fontosabb a táblánál. Az HNSW sosem áll egyedül: mindig csak az IVF-partíciókon belüli alépítmény, tehát nincs sima HNSW-index, amit létre lehetne hozni. És ha a terhelés metaadatfiltert hordoz, a dokumentáció az IVF_RQ-t vagy IVF_PQ-t ajánlja, mert a HNSW-változatok szűrt keresésnél nagyobb latencia-szórást mutatnak.",{"type":280,"variant":281,"body":282,"title":306},"callout","warn",[283],[284,285,287,288,290,291,294,295,298,299,302,303,305],"IVF_RQ és IVF_PQ esetén az irányelv: hagyja az ",{"tag":123,"children":286},[198],"-t alapértelmezésben, és csak akkor emelje, ha a recall kevés; az IVF_HNSW-változatoknál hagyja az ",{"tag":123,"children":289},[198],"-t, és előbb az ",{"tag":123,"children":292},[293],"ef","-et hangolja, kb. 1,5-szörös k-től akár 10-szeres k-ig. A ",{"tag":123,"children":296},[297],"refine_factor"," 5 és 50 között legyen, és a kevés sort találó filterhez lehet, hogy feljebb kell vinni a ",{"tag":123,"children":300},[301],"maximum_nprobes","-t, hogy egyáltalán ",{"tag":123,"children":304},[223]," eredmény szülessen.","Előbb nprobes, aztán ef",{"type":117,"level":118,"id":94,"text":95},{"type":110,"content":309},[310],"Telepítse a csomagot, mutasson egy könyvtárra, és a tábla a lemezen van. Az alábbi kódrészlet mindkét indexet felépíti és lefuttatja a hibrid keresést, ahogy a dokumentáció ajánlja, a metaadatfilterrel a pontozás előtt.",{"type":123,"code":312},"import lancedb\nfrom lancedb.rerankers import RRFReranker\n\ndb = lancedb.connect(\".\u002Fdata\")            # a local directory, no server\ntable = db.open_table(\"documents\")\ntable.create_fts_index(\"text\")            # BM25, built in the background\n\nresults = (\n    table.search(query_type=\"hybrid\")\n    .vector(embed(query))                 # your embedding model\n    .text(\"refunds within 14 days\")\n    .where(\"lang = 'en'\", prefilter=True)  # default: filter before scoring\n    .rerank(RRFReranker())                # the default hybrid reranker\n    .limit(5)\n    .to_list()\n)\nfor row in results:\n    print(round(row[\"_relevance_score\"], 3), row[\"text\"][:80])\n",{"type":110,"content":314},[315,316,318,319,322,323,326],"Ebben a kódrészletben nem kell szerver, konténer és API-kulcs sem, és ugyanez a kód ",{"tag":123,"children":317},[125]," ellen is fut, ha a csatlakozási URI megváltozik. A teljes szöveges és vektoros indexépítések azonnal visszatérnek, és a háttérben fejeződnek be; a ",{"tag":123,"children":320},[321],"wait_for_index"," és az ",{"tag":123,"children":324},[325],"index_stats"," együtt az, amivel egy feladat ellenőrzi, hogy nem maradt indexelatlan sor.",{"type":280,"variant":328,"body":329,"title":340},"note",[330],[331,332,335,336,339],"Az új sorok addig maradnak ki a meglévő indexből, amíg a ",{"tag":123,"children":333},[334],"optimize()"," be nem hajtja őket, és addig a normál keresés lassabb tartalékscan-t fizet, miközben a ",{"tag":123,"children":337},[338],"fast_search()"," kihagyja. Az open-source kiadásban ez a beosztás az Öné: a kompaktálást és az újraindexelést valakinek ütemeznie kell.","Az építés után érkező sorok",{"type":117,"level":118,"id":97,"text":98},{"type":110,"content":343},[344],"A gyengeségek az architektúrából következnek. Egy folyamat egyetlen gépet jelent: a gyártó saját összehasonlítása az open-source kiadást 10-50 lekérdezésre korlátozza másodpercenként, gyorsítótár nélkül, és minden karbantartási feladat — kompaktálás, újraindexelés, törlés utáni indexfragmentáció — olyan munka, amit valakinek ütemeznie kell. A párhuzamos írásokat a commit újrapróbálásainak száma korlátozza, a Pythonos felhasználókat pedig arra figyelmeztetik, hogy ne forkoljanak.",{"type":233,"head":346,"rows":355},[347,349,351,353],[348],"Motor",[350],"Licenc",[352],"Indexelési opciók",[354],"Üzemeltetési forma",[356,365,374,383],[357,359,361,363],[358],"LanceDB",[360],"Apache-2.0, beágyazott",[362],"IVF és IVF-HNSW, BM25, skalár",[364],"Könyvtár a saját folyamatban",[366,368,370,372],[367],"Qdrant",[369],"Apache-2.0, szerver",[371],"Szűrhető HNSW, skalár- és termékkvantizálás",[373],"Konténer vagy menedzselt felhő",[375,377,379,381],[376],"pgvector",[378],"PostgreSQL-licenc",[380],"HNSW és IVFFlat Postgresben",[382],"Kiterjesztés egy amúgy is futó adatbázisban",[384,386,388,390],[385],"Weaviate",[387],"BSD-3-Clause",[389],"HNSW, flat és dynamic",[391],"Egyetlen bináris, opcionális klaszter",{"type":110,"content":393},[394],"Az őszinte összefoglaló: a LanceDB a legolcsóbb üzemeltetni és a legtöbb karbantartást igényli. A gyártó táblája egyetlen folyamatra 10-50 lekérdezést ad másodpercenként és 500-1000 ms-t objektumtárolóról, miközben a terjesztett keresés és a platformkezelt kompaktálás az Enterprise oldalon még mindig következőként van jelölve — érdemes tudni, mielőtt egy vásárlási döntés az útitervre támaszkodna.",{"type":110,"content":396},[397,398,401,402,172,405,408],"A másik buktató az API aszimmetriája: egy Enterprise ",{"tag":123,"children":399},[400],"RemoteTable","-n a táblaszintű ",{"tag":123,"children":403},[404],"to_arrow",{"tag":123,"children":406},[407],"to_pandas"," hívásokat elutasítja, így az anyagosításnak a query builderen kell átmennie, és egy művelet szolgálati szabályon bukhat meg, nem az adatokon. Az OSS-ről Enterprise-ra vivő kód közel ugyanaz, de nem ugyanaz.",{"type":117,"level":118,"id":100,"text":101},{"type":110,"content":411},[412,413,416],"A könyvtár Apache-2.0, és minden értelemben ingyenes: ",{"tag":123,"children":414},[415],"pip install",", nincs fiók, nincs mérés. Az ároldal nem közöl árlistát — kapcsolati űrlap —, az Enterprise csomagot pedig managed vagy bring-your-own-cloud formában árulják SOC 2 Type II, HIPAA-lefedettség és OpenTelemetry metrikák és nyomkövetések mellett. Az egyetlen konkrét szám, amit a gyártó közzétesz, egy benchmark: körülbelül 779 dollár havonta 100 millió vektorra.",{"type":139,"ordered":140,"items":418},[419,421,423],[420],"Open source: a könyvtár, az indexek, a hibrid keresés és a CLI-karbantartási hívások Apache-2.0 alatt, közösségi támogatással.",[422],"Enterprise: managed vagy BYOC, terjesztett lekérdezési csomópontok, NVMe-gyorsítótár, platformon futó indexelés és kompaktálás, valamint SOC 2 Type II és HIPAA megfelelőség.",[424],"Következőként, a gyártó saját táblájában: terjesztett keresés, terjesztett indexelés és kompaktálás.",{"type":117,"level":118,"id":103,"text":104},{"type":110,"content":427},[428],"A LanceDB a jó válasz, ha a korpusz és a forgalom egyetlen gépre fér, és rossz válasz, ha nem — ezt a gyártó saját összehasonlító táblája mondja. Az ereje abban van, hogy a lekérdezés könyvtárhívássá válik, nem infrastrukturális projektté; az ára pedig abban, hogy az adatbázis minden üzemeltetési kötelessége az alkalmazáscsapatra száll. A markáns olvasat: egymillió chunk alatti RAG-pipeline-nál külön vektordatbázist üzemeltetni felesleges szolgáltatás, és a LanceDB az, amit ehhez először érdemes megcélozni.",{"type":139,"ordered":204,"items":430},[431,433,435,437,439],[432],"Prototípushoz, egyetlen csomópontú RAG-pipeline-hoz vagy edge-telepítéshez használja, ahol az adatbáziszerver lenne a stack legnehezebb komponense.",[434],"Használja, ha az adat már objektumtárolón van, és a Lance formátum verziózása és zero-copy olvasása megspórolja a korpusz második példányát.",[436],"Gondolja meg kétszer, ha a lekérdezéseknek S3-ról 100 ms alatt kell maradniuk valódi párhuzamosság mellett — a gyártó saját száma OSS-re 500-1000 ms és 10-50 lekérdezés másodpercenként.",[438],"Tervezzen karbantartást: az optimize, a kompaktálás és az újraindexelés az open-source kiadásban nem ütemezett munka, és az indexfragmentáció minden törléssel nő.",[440],"Az Enterprise csomagot csak a terjesztett részekért válassza; az API-különbségek, a RemoteTable anyagosítási korlátaitól a klaszteroldali guardrail-ekig, ez a valódi kötés.",{"type":280,"variant":442,"body":443,"title":450},"tip",[444],[445,446,449],"Építse fel az indexet valódi adaton, és mérje a recallt a ",{"tag":123,"children":447},[448],"bypass_vector_index()"," ellen, amely pontos scant futtat, és megadja az igazságot. A két válasz közti rés az approximáció tényleges ára — és ez az a szám, amiből a latenciaköltségvetést írni kell.","Egy mérés a kötés előtt",{"type":117,"level":118,"id":106,"text":107},{"type":139,"ordered":204,"items":453},[454,459,463,467,471,474,478,482],[455],{"tag":456,"href":31,"children":457},"a",[458],"LanceDB-gyorsindítás",[460],{"tag":456,"href":34,"children":461},[462],"A LanceDB vektorindexei",[464],{"tag":456,"href":37,"children":465},[466],"A LanceDB indexelési útmutatója",[468],{"tag":456,"href":40,"children":469},[470],"A LanceDB hibrid keresése",[472],{"tag":456,"href":43,"children":473},[42],[475],{"tag":456,"href":46,"children":476},[477],"A LanceDB gyakori kérdései",[479],{"tag":456,"href":49,"children":480},[481],"A LanceDB árai",[483],{"tag":456,"href":52,"children":484},[485],"LanceDB a PyPI-n",[487,560,620,678],{"slug":488,"published":489,"minutes":6,"category":7,"tags":490,"keywords":494,"about":507,"sources":517,"cover":554,"og":555,"expertise":55,"locales":556,"lang":59,"title":557,"description":558,"coverAlt":559},"embedding-model-selection-2026","2026-10-17",[491,12,492,9,493],"Embeddings","MTEB","Model selection",[495,496,497,498,499,500,501,502,503,504,505,506],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[508,511,514],{"name":509,"url":510},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":512,"url":513},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":515,"url":516},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[518,521,524,527,530,533,536,539,542,545,548,551],{"title":519,"url":520},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":522,"url":523},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":525,"url":526},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":528,"url":529},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":531,"url":532},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":534,"url":535},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":537,"url":538},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":540,"url":541},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":543,"url":544},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":546,"url":547},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":549,"url":550},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":552,"url":553},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[57,58,59],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":561,"published":489,"minutes":562,"category":7,"tags":563,"keywords":567,"about":579,"sources":589,"cover":614,"og":615,"expertise":55,"locales":616,"lang":59,"title":617,"description":618,"coverAlt":619},"contextual-retrieval-late-chunking",10,[12,564,491,565,566],"Chunking","Contextual retrieval","Late chunking",[568,569,570,571,572,573,574,575,576,577,578],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[580,583,586],{"name":581,"url":582},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":584,"url":585},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":587,"url":588},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[590,593,596,599,602,605,608,611],{"title":591,"url":592},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":594,"url":595},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":597,"url":598},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":600,"url":601},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":603,"url":604},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":606,"url":607},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":609,"url":610},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":612,"url":613},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[57,58,59],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":621,"published":489,"minutes":6,"category":7,"tags":622,"keywords":626,"about":639,"sources":647,"cover":672,"og":673,"expertise":55,"locales":674,"lang":59,"title":675,"description":676,"coverAlt":677},"rag-access-control-permissions",[12,623,624,625,9],"Access control","Security","Multi-tenancy",[627,628,629,630,631,632,633,634,635,636,637,638],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[640,643,646],{"name":641,"url":642},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":644,"url":645},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":581,"url":582},[648,651,654,657,660,663,666,669],{"title":649,"url":650},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":652,"url":653},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":655,"url":656},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":658,"url":659},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":661,"url":662},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":664,"url":665},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":667,"url":668},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":670,"url":671},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[57,58,59],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":679,"published":489,"minutes":562,"category":7,"tags":680,"keywords":685,"about":697,"sources":705,"cover":732,"og":733,"expertise":734,"locales":735,"lang":59,"title":736,"description":737,"coverAlt":738},"rag-product-catalog-pim-data",[12,681,682,683,684],"PIM","Product data","B2B e-commerce","Metadata filtering",[686,687,688,689,690,691,692,693,694,695,696],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[698,701,702],{"name":699,"url":700},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":581,"url":582},{"name":703,"url":704},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[706,709,712,715,717,720,723,726,729],{"title":707,"url":708},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":710,"url":711},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":713,"url":714},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":716,"url":704},"ETIM International: Classification",{"title":718,"url":719},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":721,"url":722},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":724,"url":725},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":727,"url":728},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":730,"url":731},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[57,58,59],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159157]