Все популярные сегодня векторные базы данных (Pinecone, Qdrant, Milvus) отлично справляются с поиском по PDF-кам для простых RAG-чатботов. Но сейчас ИИ эволюционирует. Мы переходим к автономным агентам, роевой робототехнике и системам непрерывного обучения. И здесь классические in-memory базы упираются в стену: евклидово пространство "сплющивает" сложные иерархии знаний, а хранение миллиардов вект…

HyperspaceDB v2.0 вышел. И это уже другой уровень. Мы не добавили пару фич. Мы переписали логику движка. Убрали RwLock из search path. Перешли на lock-free доступ (ArcSwap). Включили work-stealing scheduler (Rayon). Добавили SIMD-ускорение. Бенчмарк (1M векторов, 1024d, 1000 клиентов) Search QPS: - Hyperspace v2.0 → 11,964 - Milvus → 4,848 - Qdrant → 4,133 Ingest QPS: - Hyperspace v2.0 → 59,208 - …

Мы выпустили HyperspaceDB v1.5.0. С бенчмарками. Это большое обновление, в котором мы полностью переписали путь записи данных. Результат: 1 миллион векторов за 56 секунд. Сравнение (1M, 1024-dim): • HyperspaceDB — 56.4с • Milvus — 88.7с • Qdrant — 629с • Weaviate — 2036с При этом: — скорость не деградирует со временем — диска требуется на 50% меньше, чем у Milvus Hyperbolic mode (64-dim): • 1M век…

Почему галлюцинации в RAG — это проблема геометрии, а не моделей Большинство RAG-систем сегодня используют евклидовы эмбеддинги. И вот что мы видим на практике: Евклидово пространство: • Размерность: 768–1536 • Recall@10: ~80–88% • Галлюцинации: 12–18% • Разные смыслы одного слова часто «слипаются» Пример: «банк» как финансы и «банк» как берег реки могут оказаться рядом. Гиперболическое пространст…

Почему гиперболические эмбеддинги — это не “оптимизация”, а смена парадигмы Сегодня мы берем обычный евклидов эмбеддинг и «кладём» его в гиперболическое пространство. Это работает. Но это компромисс. Настоящий скачок произойдет тогда, когда модели начнут генерировать гиперболические вектора нативно. Что это дает: 🔹 Сжатие размерности То, что в Евклиде требует 768–1536 измерений, в пространстве Пуа…