搜论文时，输入准确的模型名，你希望结果一个字都别跑偏；只记得大概意思时，又希望系统能认出不同说法。Papers with Code——汇集机器学习论文、代码和评测结果的平台——用“混合搜索”同时处理这两类需求：把擅长精确匹配的关键词搜索，与按含义找内容的语义搜索结合起来。作者称，两者组合的结果优于任一种单独使用，但未披露具体评测数字。
这套架构的务实之处，是没有另起一套专用搜索系统。团队以通用数据库 PostgreSQL 为底座，借助 pgvector 扩展存储和检索向量，再用 Qwen3-Embedding-0.6B 把论文文字转换成代表含义的一串数字。存量论文的向量由配备 NVIDIA L4 的 Hugging Face Jobs 批量生成；用户搜索时，则由 Hugging Face Inference Endpoints 在线生成查询向量。相关产物存入 Hugging Face Buckets，同一套设施还支持论文页面上的“相关论文”推荐。换句话说，它给工程团队展示了一条可复用的路线：在熟悉的数据库里，把结构化数据、精确词语和语义相似度放到一起。以上细节来自作者 Niels Rogge 的技术说明；他披露自己任职于 Hugging Face，并参与 Papers with Code。