(1/3) Qdrant 1.20.1 is here, bringing some serious performance improvements. A few highlights: → 5...
Qdrant 1.20.1 版本显著提升了性能,包括减少 50% 的读取量和加速量化过程。
入选理由:HNSW 图搜索在冷存储中减少了 50% 的读取量。
概念
别名:Hierarchical Navigable Small World
基于图结构的近似最近邻搜索算法
已跟踪 14 条高相关材料
最近变化
2026-11-16 · HNSW 图搜索在冷存储中减少了 50% 的读取量。
为什么值得关注
HNSW 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
(1/3) Qdrant 1.20.1 is here, bringing some serious performance improvements. A few highlights: → 5...
Qdrant(@qdrant_engine) · 8.5 分
Qdrant 1.20.1 版本显著提升了性能,包括减少 50% 的读取量和加速量化过程。
Congratulations to the Toss Securities Data Infra team on getting 41% more search throughput out of ...
Milvus(@milvusio) · 8.5 分
Toss Securities通过优化Milvus的NUMA配置,使搜索吞吐量提升41%,同时保持召回率不变。
Vector Databases Full Course for Beginners – Embeddings, Similarity Search & ChromaDB
freeCodeCamp.org · 8.5 分
本文系统讲解向量数据库核心概念与实践,涵盖余弦相似度、嵌入模型及ChromaDB应用,适合零基础工程师快速入门。
已收录 14 条与 HNSW 相关的内容,按评分排序。
Qdrant 1.20.1 版本显著提升了性能,包括减少 50% 的读取量和加速量化过程。
入选理由:HNSW 图搜索在冷存储中减少了 50% 的读取量。
Toss Securities通过优化Milvus的NUMA配置,使搜索吞吐量提升41%,同时保持召回率不变。
入选理由:使用HNSW与8位量化技术减少内存使用,提升搜索效率。
本文系统讲解向量数据库核心概念与实践,涵盖余弦相似度、嵌入模型及ChromaDB应用,适合零基础工程师快速入门。
入选理由:向量数据库通过余弦相似度实现语义搜索,而非关键词匹配
Qdrant通过Universal I/O接口实现本地和对象存储的统一读取,降低无服务器模式下的性能差距。
入选理由:网络I/O读取延迟达10-100ms,是SSD的100-1000倍
向量索引选择需权衡性能与内存效率,HNSW适合高吞吐场景,HFresh通过压缩技术优化内存使用。
入选理由:HNSW在低延迟和高查询吞吐场景表现最优
HFresh是Weaviate推出的基于磁盘的向量索引,通过分区和两阶段搜索策略实现低内存使用和大规模数据集的高效查询。
入选理由:HFresh将内存使用降低到传统HNSW的1/10,适合资源受限场景
Qdrant 1.19.1版本通过多项优化显著提升性能,Quantized HNSW搜索速度提升1.5-2.5倍。
入选理由:Quantized HNSW搜索速度提升1.5-2.5倍
AI代理错误答案常源于检索系统缺陷而非模型本身,需优先调试召回层而非直接优化模型。
入选理由:调试AI代理应优先检查召回层的recall@k指标和过滤器命中率
大规模向量搜索需权衡内存与磁盘索引,DiskANN在成本和性能上优于HNSW,但需接受精度损失。
入选理由:DiskANN在百亿级向量存储中可降低70%内存成本,但召回率下降约5%
Weaviate推出查询性能分析功能,可精准定位慢查询的瓶颈。通过per-query profiling直接返回各阶段耗时,无需重启或等待查询变慢。
入选理由:启用query_profile标志可获取每个查询的详细性能分析
Milvus通过Force Merge Compaction可提升查询性能1.8倍,降低延迟三分之一。
入选理由:Force Merge Compaction使QPS从3000提升至5400-5800(1.8倍)
Milvus 直接在嵌入列表上构建 HNSW 索引,无需编码步骤,质量几乎无损失,且优于现有近似策略。
入选理由:直接在嵌入列表上构建 HNSW 索引,质量接近 BruteForce 方法。
Qdrant 1.6 推出更灵活的推荐 API,支持正负样本混合输入和多种搜索策略,提升推荐系统效果。
入选理由:Qdrant 1.6 支持正负样本混合输入,提升推荐系统灵活性。
Weaviate提出了一种新的内存管理方案HFresh,通过将向量存储在磁盘上并仅保留紧凑的中心索引来降低内存使用。
入选理由:HFresh节省内存达50%以上