AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：近似搜索×
6月24日
01:10
01:10Milvus@milvusio
精选
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。
AI模型HNSWMilvus嵌入列表索引向量检索近似搜索
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。
原文
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
5月16日
18:07
18:07Milvus@milvusio
精选
Milvus 团队发文解释了多向量模型在基准测试中表现优异，但在生产环境中效果不如稠密检索的原因。核心问题在于多向量模型使用精确的 MaxSim 评分（每个查询 token 与文档所有 token 比较），而生产环境只能使用近似搜索。稠密检索的近似算法（如 HNSW、IVF）成熟度高，能紧密跟踪精确结果；多向量模型的近似搜索则因压缩或聚合表示导致候选集遗漏，损失更大。实验表明，短文档和简单查询下稠密检索更优，长文档和复杂查询下多向量才值得使用。
AI模型多向量检索稠密检索向量数据库Milvus近似搜索
推荐理由：做向量检索的团队常遇到多向量模型部署后效果反而不如稠密检索的困惑，Milvus 这篇分析直接点出了根本原因和适用场景，建议做搜索和 RAG 的开发者仔细看看，能帮你避免选型踩坑。
原文