HNSW 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。

7月22日

00:15

00:15

Weaviate@weaviate_io

精选

Weaviate 新增 per-query profiling 功能，通过一个 opt-in 标志即可在单次查询中获取各阶段耗时，如 vector_search_took、filters_build_allow_list_took 等。例如一个示例 profile 显示 48.2ms 总耗时中 36.8ms 用于读取对象，8.4ms 在向量搜索，2.1ms 构建过滤允许列表，说明瓶颈在存储而非 HNSW 参数。该功能无需重启或等待慢查询重现，自动聚合多分片多节点数据，返回 cluster-wide 视图。

AI产品 Weaviate per-query profiling 向量数据库

推荐理由：Weaviate 出了个查询性能剖析利器，一次请求告诉你时间花在哪——是磁盘读、向量搜索还是过滤，不用再瞎猜调参了。

7月8日

01:33

01:33

Milvus@milvusio

精选74°

Milvus 的 Force Merge Compaction 功能可将多个密封段合并为单个，减少查询时的扇出开销。在 1M 向量 HNSW 集合的基准测试中，QPS 从约 3,000 升至 5,400-5,800（约 1.8 倍），p99 延迟降低约三分之一。该功能适用于数据写入稳定后的批量合并，现处于公开预览阶段。

AI产品 Milvus Force Merge HNSW

推荐理由：Milvus 新功能 Force Merge，合并段后搜索快一倍，延迟降三分之一，试试呗。

6月24日

01:10

01:10

Milvus@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 HNSW Milvus 嵌入列表索引

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。

5月22日

08:05

08:05

Milvus@milvusio

精选

Zilliz 开发者关系主管在伦敦 Unstructured Data Meetup 上分享了两种在 Zilliz Cloud 中保持过滤向量搜索快速且准确的方法。第一种方法是在过滤时保留图连接性，允许搜索临时遍历被过滤的节点作为中间跳转，避免 HNSW 图形成孤立“岛屿”导致召回率下降。第二种方法针对高选择性过滤器，当过滤后数据子集很小时，先过滤再暴力扫描可能比索引搜索更快。这些技术解决了大规模向量搜索中过滤与速度的平衡问题。

AI产品向量搜索过滤 Zilliz Cloud

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

Weaviate 发布了名为 HFresh 的新型向量搜索索引，它通过将向量存储在磁盘上，仅在内存中保留紧凑的质心索引，大幅降低了内存需求。HFresh 将向量划分为多个小区域（postings），利用内存中的 HNSW 索引定位相关区域，再从磁盘获取数据，并采用两级旋转量化压缩。相比传统 HNSW 索引，HFresh 在十亿级向量规模下仍能保持可预测的延迟，尤其适合高维嵌入、成本敏感部署和写入密集型场景。目前 HFresh 已在 Weaviate Cloud 中提供，建议在非生产环境中测试。

AI产品向量搜索 HNSW HFresh

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。