严重程度： 建议

问题： 在 trainPQCodeBook_ 中调用 indexTrainImpl_ 时，assignmentMetric 参数被硬编码为 faiss::METRIC_L2，而粗量化器训练（train 方法中）使用的是 metric_type。PQ 子量化器训练始终使用 L2 距离进行分配，即使整体索引使用内积度量（metric_type == METRIC_INNER_PRODUCT）。

原因： 如果索引配置为内积度量（如 spherical=true 时），粗量化器训练使用 metric_type（可能是 INNER_PRODUCT）进行分配，但 PQ 子量化器训练却固定使用 L2。这种不一致可能是设计意图（PQ 编码残差时通常使用 L2），但也可能是遗漏。在原始代码中，trainPQCodeBook_ 使用 ivfpqConfig_.cp.spherical 控制 NPU 训练行为，但没有传递 metric type。新代码引入了 assignmentMetric 参数但只在 PQ 训练中固定为 L2，这与粗量化器的 metric_type 传递方式不一致，可能导致内积索引的 PQ 编码质量次优。

怎么改： 如果 PQ 训练确实应始终使用 L2（这是 faiss CPU 实现中的常见做法，因为 PQ 编码的是残差向量），建议在代码中添加注释说明：

// PQ 子量化器始终使用 L2 距离进行聚类分配，因为 PQ 编码的是残差向量，
// 残差空间中的距离度量与原始空间的度量类型无关。
faiss::METRIC_L2,

如果 PQ 训练应跟随索引的 metric_type，则应将 metric_type 传递给 trainPQCodeBook_ 而非硬编码 L2。

严重程度: 提示 问题: PQ 子量化器训练 indexTrainImpl_(..., faiss::METRIC_L2, ...) 硬编码 L2 度量，且无注释说明，与 coarse quantizer 使用 metric_type 的做法不一致。 原因: PQ 残差编码始终使用 L2 是 faiss 的标准做法（残差范数最小化），但缺少注释使该设计意图不明显，后续维护者可能误改为跟随索引 metric_type。 怎么改: 补充注释说明设计依据：

// PQ 残差量化始终使用 L2：残差编码以 ||x - c||² 最小化为目标，
// 与索引的 coarse metric 无关（faiss CPU 路径同此约定）。
indexTrainImpl_(..., pq.cp.spherical, faiss::METRIC_L2, trainedCentroids[m]);

严重程度： 建议

问题： computeKMeansObjective 内部使用 double 累积目标值，但返回类型为 float。对于大规模训练集（如 PR 描述中提到的 200M 向量场景，即使经过子采样），目标值累加可能超出 float 精度范围，导致不同 redo 之间的比较不可靠。

原因： K-means 的 redo 选择依赖于 objective 的相对大小比较。当训练数据量较大或维度较高时，sum over all vectors 的 objective 值可能很大，float 的 23 位尾数（约 7 位有效数字）可能无法区分相近的 objective 值，使得 redo 选择退化为随机。内部已经用 double 累积说明作者意识到了精度需求，但返回时的 float 截断浪费了这份精度。

怎么改： 将返回类型改为 double，同时修改调用方 trainImpl_ 和 trainKMeansOnNpuDistributed 中 bestObjective 的类型为 double：

static double computeKMeansObjective(...)
{
    ...
    return objective;  // 直接返回 double，无需 cast
}

严重程度： 建议

问题： nredo 循环结束后直接 centroidsOut = std::move(bestCentroids);，未处理 bestCentroids 仍为空的情况（单卡与 distributed 两处同构）。

原因： 当 objective 因 float 截断/溢出变成 ±inf，或出现 NaN 时，isBetter 比较失败，bestCentroids 保持默认空向量；后续访问会 UB/崩溃。与 computeKMeansObjective 返回 float 的风险叠加。

怎么改：

if (bestCentroids.empty()) {
    bestCentroids = centroidsHost;  // 至少兜底最后一轮
}
centroidsOut = std::move(bestCentroids);

或保证第一次 redo 无条件采纳；同时建议 objective 全程用 double。trainKMeansOnNpuDistributed 中对称处理。