召回率相关 AI 资讯 · AI 热点

8月19日

22:46

22:46

Qdrant@qdrant_engine

精选

ACORN在查询时解决向量搜索过滤问题，通过跳过过滤掉的邻居保持连通性。Qdrant的filterable HNSW采用索引时解决方案，在共享负载值的点间添加边。在100万向量1%过滤测试中，filterable HNSW在1.0ms内达到99.8%召回率，ACORN在4.7ms内达到67.7%。ACORN在处理宽值和AND过滤器时仍有优势，在有专门构建的图时效果最佳。

AI模型 ACORN HNSW Qdrant

推荐理由：Qdrant发布了filterable HNSW，比ACORN更快实现高召回率向量搜索过滤，两种方法各有优势。

8月3日

09:46

09:46

官方账号arXiv cs.LG@Hakan Ferhatosmanoglu, Kushal Kumar, Tal Wagner, Andy Warfield

QASP 通过一次监督回归预测每条查询的完整召回曲线，省去搜索中的迭代模型调用。它使用缩放不变特征和搜索前推理，可跨召回目标、索引配置和数据集泛化。实验显示，QASP 达到 99% 召回率时数据访问减少 80%，并显著降低召回方差和偏差。论文还证明其训练样本量不随数据规模增长，数据访问节省随内在维度指数增长。

论文 QASP 向量检索搜索策略

推荐理由：向量搜索老是调参？QASP 一次预测整条召回曲线，不用反复试，还省 80% 数据访问。做检索的朋友可以看看。

6月19日

01:36

01:36

Milvus@milvusio

精选

Milvus指出，仅看平均Recall@5（如85%）会掩盖真实问题。例如，精确术语查询的Recall@5可能只有40%，其他类别拉高了平均值。文章建议将测试用例分为精确术语查询、多跳问题、长尾问题、不可回答问题、权限过滤问题五类，每类至少放5-10个案例分别检查召回率。这样能精准定位检索堆栈中的薄弱环节。

技巧 Milvus 召回率检索评估

推荐理由：Milvus教你怎样真正看懂你的召回率——按5种查询类型拆解，别被一个平均数字骗了。

6月3日

01:41

01:41

Milvus@milvusio

RAG系统上线后召回率下降，常见原因包括：索引过期（新文档加入、旧文档修改或删除，但向量索引未更新）、嵌入模型变更（如OpenAI更新模型导致新旧向量不匹配）、用户提问方式变化（用户群体和产品变化导致查询分布偏移）。此外，测试集可能已偏离真实场景，掩盖了召回率下降的问题。这些因素会导致检索结果不准确，影响RAG系统性能。

AI产品 RAG 召回率向量索引

推荐理由：做RAG系统的团队，如果发现线上召回率不如测试时，这三个原因能帮你快速定位问题，建议对照排查。

5月29日

00:46

00:46

Milvus@milvusio

当 RAG 系统给出错误答案时，团队通常第一时间换更大的模型或调 prompt，但 Milvus 团队指出，真正该先修的是检索环节。他们提出一个三步诊断法：先按查询类型（精确术语、多跳、长尾、不可回答）构建黄金测试集，然后按桶计算 Recall@k，最后根据弱桶定位问题——精确术语桶低说明稠密检索对精确字符串有盲点，应加混合搜索；多跳桶低说明答案被切分或候选集太小；长尾桶低说明用户措辞与文档术语不匹配，需加查询改写；所有桶都低则说明嵌入模型不适合领域。这种方法能精准定位检索失败的具体原因，而非笼统地认为“召回率差”。

AI产品 RAG 检索增强生成 Milvus

推荐理由：做 RAG 的团队别再盲目换大模型了——Milvus 这篇诊断法帮你精准定位检索瓶颈，从精确术语到长尾查询都有对应解法，建议直接收藏实操。

5月19日

13:07

13:07

Qdrant@qdrant_engine

Qdrant 宣布其向量数据库现已集成 TurboQuant 量化技术。相比现有的 SQ（标量量化）和 BQ（二进制量化），TurboQuant 在相同存储预算下提供比 BQ 更好的召回率，同时达到约 2 倍压缩比且召回率与 SQ 相当。这为需要高效向量存储和检索的用户提供了新的选择。Qdrant 将于 5 月 26 日举办线上技术会议，详解 TurboQuant 原理、基准测试和实际应用场景。

AI产品向量数据库量化 Qdrant

推荐理由：做向量检索或使用 Qdrant 的团队，TurboQuant 能帮你用更少存储获得更好召回，值得关注 5 月 26 日的技术分享。