| 名词 | 说明 |
|---|
| Flat | 暴力穷举搜索。不建立复杂的索引结构，直接将查询向量与底库中的所有向量逐一进行距离计算。其特点是召回率 100%（绝对精确），但计算开销大、延迟高，常用于小规模数据集或作为其他算法的精度基准。 |
| INT8 | 8位整型数值格式。一种低精度数据类型，相比标准的 FP32（32位浮点数）可减少 75% 的内存占用并提升计算吞吐量。常作为量化后的数据存储格式，用于在硬件资源受限的场景下平衡性能与精度。 |
| IVF (Inverted File) | 倒排文件索引。一种经典的近似最近邻搜索（ANNS）加速方法。通过聚类算法将向量空间划分为多个簇（类似目录），检索时仅遍历最相关的少数几个簇，从而大幅减少计算量，是以微小的精度损失换取极高的检索性能。 |
| PQ (Product Quantization) | 乘积量化。一种高效的向量深度压缩算法。它将高维向量切分为多个低维子空间，分别建立码本进行量化编码。能极大降低内存消耗（通常可压缩数十倍），是处理十亿级以上海量向量检索的核心技术。 |
| SQ (Scalar Quantization) | 标量量化。一种向量压缩算法，通过将 FP32 向量的每个维度独立映射到有限的整数集合（如 INT8）来降低内存占用。相比 PQ，SQ 实现更简单且查询速度较快，适合对精度有一定要求的近似检索场景。 |
| RaBitQ (Random Binary Quantization) | 随机二值量化。一种前沿的极致压缩检索算法。通过数学变换将 FP32 向量压缩为 1-bit 的二进制表示（理论压缩率达 32 倍），并利用快速汉明距离进行初筛。在保证极高召回率的同时，显著降低了内存带宽压力和存储成本。 |
| Cagra | 基于图的近似最近邻搜索算法。通过构建近邻图（Neighbor Graph）组织底库向量，检索时沿图边迭代搜索，逐步逼近最近邻。相比 IVF 类方法，图检索在低延迟场景下具有更优的搜索效率，适用于亿级底库的高性能近似检索。 |
| BinaryFlat | 二值化暴力检索。专为二进制向量设计的穷举搜索算法。向量由 0 和 1 组成，使用汉明距离计算相似度。由于底层采用位运算（XOR），其计算速度极快且内存占用极低，适用于图像指纹等二值特征场景。 |
| L2 (Euclidean Distance) | 欧几里得距离。衡量两个向量在多维空间中的绝对直线距离。距离值越小，代表两个向量越相似。适用于关注数值绝对差异的场景，如图像像素特征比对。 |
| IP (Inner Product) | 内积。通过计算两个向量的点积来衡量相似性。内积值越大，代表相似度越高。当向量经过归一化处理（模长为1）后，IP 等价于余弦相似度，广泛应用于文本语义匹配等关注方向一致性的场景。 |
| Hamming (Hamming Distance) | 汉明距离。专门用于衡量两个等长二进制向量之间的差异。通过统计对应位置上不同字符（0与1）的个数来计算距离，差异位数越少则越相似。是 BinaryFlat、RaBitQ 等二值化检索算法的核心度量标准。 |
