Scalable Nearest Neighbors
PulseAugur coverage of Scalable Nearest Neighbors — every cluster mentioning Scalable Nearest Neighbors across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SOLO索引通过扫描式采样倒排列表提供认证召回率，并减少内存占用
研究人员推出了一种新颖的度量空间近似最近邻搜索索引SOLO，它无需启发式排序即可提供认证召回率。该方法直接从索引本身计算召回率，能够通过对查询样本进行真实值传递来认证所有操作点的性能。与HNSW、DiskANN和SPANN等现有方法相比，SOLO在吞吐量方面具有竞争力，并且内存使用量显著减少，在大型数据集上以最小的内存占用实现了高召回率。
-
先进的RAG技术专注于可扩展性、效率和可观察性
本集群探讨了检索增强生成（RAG）系统的先进技术，超越了简单的三步架构。第一篇文章详细介绍了一个专为生产就绪设计的、多阶段的RAG管道，强调广泛检索、智能组合和精确重排，以提高答案质量并管理令牌消耗。第二篇文章解决了构建海量向量搜索系统的挑战，提出了一种内存高效的方法，该方法区分用于初始发现和最终精度的不同数据，并以Qdrant为例。第三篇文章提倡使RAG可观察和可测试，建议在集成嵌入之前，使用基于关键字的确定性评分系统作为起点，以确…
-
开发人员发现 RAG 评估因非确定性检索而存在缺陷
一位开发人员在使用检索增强生成（RAG）评估流程时遇到了问题，最初怀疑是语言模型性能下降。然而，经过仔细检查，问题被追溯到非确定性检索过程。近似最近邻（ANN）搜索中的平局处理、混合搜索方法中的并行处理以及数据摄取过程中分块的微小差异等因素，都会导致检索结果不一致。提出的解决方案是通过为评估实施确定性设置来解耦评估检索与生产检索，例如固定特定参数并为 ANN 搜索使用固定种子。
-
向量搜索库的速度和内存基准测试
一位开发者对多个向量搜索库进行了基准测试，评估了它们在速度、内存使用和相似性结果方面的性能。测试涵盖了从 500 个样本到 100 万个样本的数据集，比较了 Faiss、Scann 和 Usearch 等流行库。详细结果和基准测试代码均公开可用。
-
IVF-TQ论文提出无需校准的流式向量搜索
一篇新论文介绍了IVF-TQ，一种新颖的流式向量搜索方法，旨在随时间保持召回准确性。与需要频繁进行码本再训练的现有方法不同，IVF-TQ采用数据无关的残差压缩层，无需码本训练和按数据集调优。该方法展示了显著的稳定性和性能改进，缩小了与其他技术的差距，并为处理不断增长数据集的系统提供了操作优势。
-
Eugene Yan 详解在 Mac 上安装 Google ScaNN 以进行向量搜索
Eugene Yan 发布了一篇指南，详细介绍了在 Mac 操作系统上安装 Google 的 Scalable Nearest Neighbors (ScaNN) 库的过程。该指南解决了安装过程中遇到的复杂问题，提供了设置必要编译器、Python 版本和虚拟环境的步骤说明。它还概述了成功编译和安装 ScaNN 软件包所需的特定代码修改和构建命令，该软件包旨在实现高效的向量相似性搜索，并据报道其性能优于最先进的基准测试。