基于大模型技術(shù)的Query改寫，根據(jù)歷史多輪Session生成更準(zhǔn)確的用戶查詢以及指代消解及省略補(bǔ)全。

基于大模型技術(shù)的復(fù)雜的Query原始問題拆解為多個問題，通常應(yīng)用在企業(yè)知識庫檢索增強(qiáng)場景。

基于大模型技術(shù)的Query進(jìn)行分類判定，分別執(zhí)行不同的任務(wù)處理，通常應(yīng)用在企業(yè)知識檢索增強(qiáng)場景。

檢索增強(qiáng)生成結(jié)果再進(jìn)行驗(yàn)證，提升準(zhǔn)確率。

利用多模態(tài)檢索技術(shù)，豐富LLM的生成結(jié)果，目標(biāo)“圖文并茂+”，提升用戶體驗(yàn)。

高性能：ann-benchmarks打榜第一。

云原生：云上深耕超3年。

高精度：自研向量引擎、支持Flat、PQ、IVF-PQ、Graph、IVF-Graph等索引類型，并采用創(chuàng)新的裁邊、聯(lián)邊構(gòu)圖方式；支持文本向量混合索引查詢。

高性價(jià)比：支持存算分離，冷數(shù)據(jù)存儲成本下降80% ; 基于PQ量化算法，內(nèi)存相比ES算法降低70%。

大規(guī)模相關(guān)性數(shù)據(jù)構(gòu)建：高質(zhì)量相關(guān)性標(biāo)注數(shù)據(jù)，包含正負(fù)例 假正例去除，去除相關(guān)性不是特別高的數(shù)據(jù) 難負(fù)例構(gòu)建，和query相關(guān)，但不是正確答案 假負(fù)例去除，未在數(shù)據(jù)集中被標(biāo)注的，但是與query相關(guān)的文檔。

引入動態(tài)難負(fù)例訓(xùn)練：采用動態(tài)難負(fù)樣本優(yōu)化召回模型，進(jìn)一步推升模型效果。