我的环境是mac m2 32G ，没办法用GPU。这是X inference的安装教程。这里是mac部署2B的教程。还有测试推理的效果，速度

BGE系列核心技术报告包括BGE(v1/v1.5)和BGE-M3两篇论文。BGE-M3创新性地提出统一模型解决多语言、多功能、多粒度检索问题，支持100+语言、8192token输入，能同时输出稠密、稀疏和多向量三种表示。关键技术包括位置重训、大batch训练和自知识蒸馏，在MIRACL、MKQA等评测中全面领先。该模型显著简化了现有检索系统架构，但极长文档处理仍有提升空间。相关论文可在arXiv

本文介绍了一种简单而有效的查询扩展方法。通过大语言模型（LLM）的小样本提示生成答案，然后和原始query进行拼接，作为新的query。实验结果表明query2doc 通过以下方式提高了 BM25 的性能3% 到 15%。

在session上下文中，捕获用户的搜索意图，是一件较为复杂和困难的事情。一起看一下人大的这篇论文。论文中提出了一个简单而有效的提示框架，称为LLM4CS，以利用LLM作为搜索意图解释器来促进会话搜索。具体来说，我们首先提示LLM在多个视角下生成较短的查询重写和较长的假设响应，然后将这些生成的内容聚合成一个集成的表示，以稳健地表示用户的真实搜索意图。

本文介绍了一篇典型的 PRF （Pseudo-relevance feedback）思路的论文，用于利用LLM来做query改写，提升召回率，召回效果。为大家介绍PRF的主要流程，PRF的提升效果。PRF的弊端。 以及不同规模的LLM对改写的效果的影响。

（伪相关反馈）为了解决模型的幻觉问题，在改写前，先拿原始query去进行一次query，然后将召回的数据作为参考内容，送给模型，根据这些内容重新生成query。优势：可以一定程度上解决模型幻觉问题，有效解决解决词汇表不匹配问题。毕竟是根据query召回的内容去生成query的。劣势：这将会很依赖首次的检索，如果召回的数据质量很差，就GG了。(生成相关反馈)最近关于生成相关性反馈（GRF）的研究表明

本文详解linux中的CPU负载问题，以及结合生产中的问题进行分析。并且提供了对应的压测命令，来复现生产环境中遇到的各种与CPU相关的问题！

项目要上线，需要把http变成https，作为安全防护的一个手段。如果不走https，只用http有什么问题？其一，通过抓包，可以看到你全部的数据。其二，通过抓包，在你的页面数据上放一些广告。还有更多，就不列举了。如果走https，都需要哪些条件？如果是demo项目的话，可以使用JDK自己签发SSL证书，这个如果只是后台访问接口，https没问题，如果是页面在googel浏览器展示，然后去调用ht

将json数据导入到ES集群——解决方案对比&填坑日记

全部城市的中心点坐标，json格式。后台可以直接使用。{"city": {"上海": [121.487899486, 31.24916171],"临沧": [100.092612914, 23.8878061038],"丽江": [100.229628399, 26.8753510895],"保山": [99.1779956133, 25.1204891962],"大理白族自治州": [100.2