官方技术资料：Microsoft（第 9 页）
官方技术资料 · Microsoft：共 312 条，本页为第 121–135 条。
Compress vectors using scalar or binary quantization
Configure built-in scalar or quantization for compressing vectors on disk and in memory.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Create a vector query in Azure AI Search
Learn how to create vector queries that target an index in Azure AI Search.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Eliminate optional vector instances from storage
In vector search, configure storage to exclude optional copies of vector fields, reducing the storage requirements of vector data.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：rag · embedding · vector-db
链接复核时间：2026-09-24
Truncate dimensions using MRL compression
Truncate dimensions on text-embedding-3 models using Matryoshka Representation Learning (MRL) compression.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Vector index size and limits
Learn about the factors that affect the size of a vector index.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Integrated vector embedding in Azure AI Search
Learn how integrated vectorization in Azure AI Search automatically chunks and generates embeddings during indexing and query execution using built-in skills.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Multi-vector field support in Azure AI Search (preview)
Learn how Azure AI Search enables multi-vector field support for better search experiences with long-form or multimodal content.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Vector search in Azure AI Search
Learn about vector search in Azure AI Search for similarity matching across text, images, and multilingual content using numeric embeddings and vector indexes.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Relevance in vector search
Learn about the concepts behind vector relevance, scoring, including how matches are found in vector space and ranked in search results.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：rag · embedding · vector-db
链接复核时间：2026-09-24
Custom Web API vectorizer
Use the Custom Web API vectorizer to integrate your custom code for generating embeddings at query time.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Vector indexes in Azure AI Search
Learn how Azure AI Search stores and manages vector indexes for similarity search, including vector field types, algorithms, and storage requirements.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：retrieval · rag · vector-db
链接复核时间：2026-09-24
Forecasting at scale: many models and distributed training
Learn about different ways to scale forecasting model training
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：supervised-learning · rnn
链接复核时间：2026-09-24
Calendar features for time series forecasting in AutoML
Learn how Azure Machine Learning's AutoML creates calendar and holiday features
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：supervised-learning · rnn
链接复核时间：2026-09-24
Deep learning with AutoML forecasting
Learn how Azure Machine Learning's AutoML uses deep learning to forecast time series values
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：supervised-learning · rnn
链接复核时间：2026-09-24
Inference and evaluation of forecasting models
Learn about different ways to inference and evaluate forecasting models using Azure Machine Learning.
证据用途：用于理解、实现、选型、可靠性、安全或迁移判断。
使用边界：只直接证明 Microsoft 的实现与声明；预览功能和产品生命周期使用前应复核
关联概念：model-evaluation · llm
链接复核时间：2026-09-24