BiVelio Embedding Layer Algorithm
Bukti terbaik, dengan lebih sedikit embeddings dan lebih sedikit tokens.
BV-EMLA mengubah dokumen dan sebuah kueri menjadi paket bukti relevan yang minimal. Ia mengurangi biaya membuat embeddings, menyimpan indeks, dan mengirim konteks ke model, sambil mempertahankan identitas, versi, metadata, dan ketertelusuran setiap dokumen. Ia tidak wajib menghasilkan respons: ia menyiapkan bukti terbaik agar aplikasi mana pun —dengan OpenAI, Anthropic, Gemini, atau model lokal— dapat menggunakannya.
BV-EMLA dirancang sebagai produk yang sepenuhnya independen. Ia tidak membutuhkan Brain BiVelio, akun, basis datanya, maupun model internalnya. BiVelio nantinya akan menjadi salah satu penggunanya, bukan lingkungan yang dibutuhkannya untuk berfungsi.
- 1
Ingesti: menormalkan, menghilangkan duplikat secara terverifikasi, dan memotong dokumen.
- 2
Representasi: menggunakan kembali embeddings dari cache atau membuat hanya yang belum ada.
- 3
Pengambilan adaptif: memilih rencana termurah yang mencapai bukti yang memadai.
- 4
Komposisi: menyampaikan konteks minimal yang mencakup kueri, dengan jejak dan metrik.
EMLA Compile
Mengubah kumpulan dokumen menjadi representasi yang efisien dan dapat diverifikasi: menormalkan, mendeteksi duplikat dan hampir-duplikat secara terverifikasi, memotong berdasarkan struktur, dan menggunakan kembali atau membuat embeddings. Sepuluh salinan panduan yang sama berbagi satu representasi teknis, tanpa kehilangan identitas setiap dokumen.
EMLA Resolve
Menerima sebuah kueri dan memilih seberapa besar upaya yang diperlukan. Pertanyaan sederhana menggunakan pencarian yang murah; pertanyaan kompleks menambahkan pengambilan padat, reranking, dan ekspansi. Anda membayar biaya tinggi hanya saat kueri menuntutnya, dan hasilnya adalah himpunan terkecil yang mencakup seluruh pertanyaan.
Lebih sedikit embeddings yang berulang dan lebih sedikit penyimpanan.
Lebih sedikit tokens konteks yang dikirim ke model.
Indeks dan penyedia yang dapat dipertukarkan; mode lokal tanpa infrastruktur eksternal.
Ketertelusuran dan metrik setiap pengambilan.
Dalam perancangan sebagai pustaka independen (Python SDK dan API HTTP). Pertama akan divalidasi dengan benchmarks netral; kemudian diintegrasikan ke BiVelio melalui sebuah adaptor.
Algoritma dalam perancangan. Angka kinerja dan penghematan akan diterbitkan saat kami menyelesaikan benchmarks; hingga saat itu kami tidak mengklaim persentase apa pun.