乘积量化（PQ）压缩向量

PQ 把 d 维向量切成 m 段子向量，每段用各自的码本量化：用 m 字节左右的编码替代原始浮点数组，内存可降一个数量级，代价是距离近似误差。

RAG 与向量库速查AI更新于 2026-10-12

参数 m	子空间个数，d 需能被 m 整除
nbits	每段码本位数，常取 8（256 个质心）
存储	每条向量约 m 字节，替代 4·d 字节

FAISS IVFPQ 示例

import faiss, numpy as np

d = 768
quantizer = faiss.IndexFlatL2(d)
index = faiss.IndexIVFPQ(quantizer, d, 1024, 96, 8)   # nlist=1024, m=96, nbits=8
index.train(np.random.rand(200000, d).astype("float32"))
index.add(np.random.rand(2000000, d).astype("float32"))
index.nprobe = 32

PQ 与 IVF 常组合使用：先聚类粗排、段内量化近似距离，再做重排补偿精度。

易错点

m 不能整除维度时构建失败，改 m 或对齐模型输出维度
高压缩比下近邻距离失真，需配合重排或提高 nprobe 弥补召回

数据来源与参考

Jégou et al., Product Quantization for Nearest Neighbor Search (IEEE TPAMI 2011)
FAISS wiki（IVF + PQ 与量化）

继续搜索

常用关键词：3389 traceroute iptables 子网掩码 docker

‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌