01:10
Milvus@milvusio
Milvus@milvusio精选
推荐理由：Milvus 把 embedding 列表直接塞进 HNSW，质量几乎追上暴力搜索，比 MUVERA 高了一截，但成本也翻了 6-18 倍，长文档还不支持。适合对精度有极致需求的项目。
精选
过去 24 小时，从 854 条中筛出 57 条
6月24日
01:10
Milvus 尝试跳过压缩步骤，直接在文档完整 embedding list 上建立 HNSW 图索引。该方法在 TREC-COVID 上 nDCG@10 达 0.98，远超 MUVERA、LEMUR 等方法的 0.87-0.89。端到端检索中 TREC-COVID 分数 0.516 与 BruteForce 完全持平，MS MARCO 上 0.957 接近精确上限的 0.966。但构建成本显著增大：MS MARCO 平均长度 87 时耗时 6 倍，TREC-COVID 长度 236 时达 18 倍。对于 ColQwen2 等每文档含 5143 个 patches 的长向量，该方法成本过高无法实用。实验揭示当前近似策略的质量损失主要源自向量压缩步骤而非 HNSW 索引本身。
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月1日
00:09
AITOP6月1日 00:09
5月22日
08:05
08:05Milvus@milvusio
Milvus@milvusio精选
推荐理由：做向量搜索或 RAG 系统的开发者，这个方案直接解决了过滤后召回率下降的痛点，值得看看 Zilliz 的工程实践。
5月16日
17:31
17:31
Weaviate@weaviate_io
精选
推荐理由：做向量搜索的团队终于不用为内存账单发愁了——HFresh 把 HNSW 的内存占用砍到零头，十亿级向量也能跑在更小的机器上，成本敏感或写入密集的场景尤其值得一试。