实体
RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search
RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search
PulseAugur coverage of RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search — every cluster mentioning RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
关系
最近 · 第 1/1 页 · 共 2 条
-
块球量化改进了LLM推理和嵌入存储
研究人员推出了一种新颖的基于旋转的向量量化算法——块球量化（BlockQuant）。该新方法通过在球体上量化块来更好地保留旋转嵌入的几何形状，性能优于 EDEN、RabitQ 和 TurboQuant 等现有技术。在嵌入数据集和长上下文 LLM 推理任务上的实验表明，实际改进与理论收益一致。
-
新论文发现 TurboQuant 性能不如 RaBitQ，并指出可复现性问题
一篇新的技术说明在统一框架下重新审视了 RaBitQ 和 TurboQuant 量化方法，并对其进行了比较。分析发现，在内积估计、最近邻搜索和 KV 缓存量化的大多数测试设置中，TurboQuant 的性能不如 RaBitQ。此外，该说明记录了原始 TurboQuant 论文中报告的运行时和召回率结果的可复现性问题，表明从发布的实现中无法复现某些报告的结果。