老张管理着一间快递仓库，货架上堆了一亿只包裹。客户递来一张照片说“帮我找同款”，老张必须在一亿件里翻出最像的那几件。一开始他逐件翻找——暴力搜索，准确但慢到让人崩溃。后来他悟出两件事：第一，把仓库按品类分成几十个区域，收到查询先奔最可能的那几个区（倒排文件IVF）；第二，每个包裹不需要登记几十项复杂数据，只要拆成几个标准部件、各记一个编号就行（乘积量化PQ）。分区负责缩小寻找范围，编号负责压缩存储和加快比对。两者一配合，亿级检索从几秒降到几毫秒。这篇文章就用老张的仓库故事，带你拆解IVF和PQ这两把钥匙的每一道齿轮。

岗位关联

理解IVF+PQ，是读懂Faiss、Milvus等向量数据库索引配置的第一步。无论你从事搜索、推荐还是大模型RAG，召回阶段的效率与成本都从这里来——学会它，你就掌握了亿级向量检索的核心心法。

目录
  1. 可视化演示
  2. 索引演进：从翻遍仓库到分区查找
  3. 倒排文件IVF：先分区，后查找
  4. 乘积量化PQ：拆开再压缩
  5. 码本训练：标准箱型从哪来
  6. 编码检索：查表代替运算
  7. IVF+PQ组合：双剑合璧
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示PQ向量分解与码本量化、IVF倒排文件索引、IVF-PQ组合检索和召回率分析，含星座网络背景和发光动画，交互切换各环节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

索引演进：从翻遍仓库到分区查找

老张的仓库刚开张时只有几百个包裹，客户报个特征，他翻十分钟也能找到。可当包裹堆到上亿件时，翻完整个仓库要花几十秒，客户早就转身走了。老张第一次意识到：找得快，靠的不是腿脚勤快，而是聪明的组织方式。

向量检索面对同样的困境。数据库里有 N 条向量（对应包裹），查询时拿到一条向量（对应客户给的描述），要找出最相似的 top-K 条。最直接的办法是暴力搜索：逐条计算欧氏距离，复杂度随 N 线性膨胀。亿级数据、高维特征下，一次查询就是几十亿次浮点运算，任何在线服务都扛不住。于是近似最近邻搜索（ANN）出现了——允许一点精度损失，换取几个数量级的速度提升。哈希加速等方式也存在局限，精确哈希不够鲁棒、语义哈希训练复杂，很难兼顾速度与召回。

暴力搜索的代价可以精确量化。每条向量有 d 个维度，计算一次欧氏距离需要 d 次减法和 d 次平方累加：

老张明白了：一亿件包裹不能靠蛮力翻找。他暗下决心，先给仓库分区，再给包裹编号——这两步，正是后面故事的开始。

Tbrute=O(N×d)\displaystyle T_{brute}=\mathcal{O}(N\times d)
复杂度为 N×d 意味着数据量和维度任何一边翻倍，耗时都跟着翻倍，没有任何捷径可走。
  1. 向量总量 N$N$ 是库中向量的总条数，相当于仓库里的包裹总数，包裹越多，逐件翻找越慢。
    NN
  2. 特征维度 d$d$ 是每条向量的维度，比如文本向量常是384维，图像向量可能是1024维，维度越高单次比较越贵。
    dd
  3. 线性复杂度 O$\mathcal{O}(N\times d)$ 表示总计算量随 N 与 d 线性增长，想提速只能靠减少比较次数，而不是优化单次计算。
    O(N×d)\mathcal{O}(N\times d)

倒排文件IVF：先分区，后查找

老张的第一步：把仓库按品类隔成几十个房间，服装区、数码区、日用品区。新包裹入库时，管理员判断品类直接放到对应房间。客户要“红白条纹T恤”，老张直奔服装区，原本要翻一亿件，现在只用翻几百万件。

倒排文件索引（IVF）就是这个思路。建库阶段，用粗量化器——通常是一个简单的KMeans——把全部向量聚成 nlist 个簇，每个簇有一个质心向量。向量入库时，计算它与各质心的距离，归入最近的簇，建立倒排列表：每个簇一张表，记录属于它的所有向量的编号。

查询阶段，拿到查询向量后先算出它与所有质心的距离，选出距离最近的 nprobe 个簇，只在这些簇内部逐条比较。于是比较范围从“全库 N 条”缩小到"N/nlist × nprobe"条：

但老张发现：分区只解决了“去哪找”，每个区里还有几十万件包裹，逐件量尺寸依然太慢。他还需要一个让包裹更“轻”的办法——压缩编号。

Tivf=O(Nnlist×d×nprobe)\displaystyle T_{ivf}=\mathcal{O}\left(\frac{N}{nlist}\times d\times nprobe\right)
搜索范围从全库 N 条变成“每个簇平均 N/nlist 条 × 扫描 nprobe 个簇”，范围缩小了 nlist/nprobe 倍，代价是多了一次“先算质心距离”的前置步骤。
  1. nlist 分区总数$nlist$ 是建库时划分的簇数，相当于仓库隔出的房间数量，nlist 越大每个房间越空。
    nlistnlist
  2. nprobe 扫描簇数$nprobe$ 是查询时检查的最近簇个数，它直接决定速度与精度的权衡点。
    nprobenprobe
  3. 候选规模$\frac{N}{nlist}\times nprobe$ 是实际被逐条比对的向量条数，nprobe 越小、nlist 越大，候选越少、速度越快。
    Nnlist×nprobe\frac{N}{nlist}\times nprobe

乘积量化PQ：拆开再压缩

老张给每件包裹登记了几十项测量数据：长宽高、重量、材质、颜色编号……一张登记卡写得密密麻麻。他灵机一动：为什么不把这些测量项拆成几组，每组装进一个“标准箱型”？登记时只需写箱型编号。

乘积量化（PQ）正是把向量“拆组编号”。先把 d 维向量切成 m 段子向量，每段长度 d/m。对每一段子向量在它的子空间里做 KMeans 聚类，得到 k 个聚类中心，这一组中心称为该段的码本。编码时，每段子向量用最近的聚类中心编号表示，整条向量就浓缩成 m 个编号。

压缩率是 PQ 最直观的收益。原始向量每个维度用 32 位浮点存储，PQ 编码后整条向量只需 m×log₂(k) 比特：

登记卡从几大页变成一行箱号，货架空间省了几十倍。但老张马上追问：这些“标准箱型”到底怎么设计？答案在下一节。

Rpq=m×log⁡2kd×32\displaystyle R_{pq}=\frac{m\times \log_2 k}{d\times 32}
这是“压缩后体积”与“原始体积”的比值。例如 d=128、m=8、k=256 时，压缩率约为 1/64，存储空间节省 98% 以上。
  1. 切分数 m$m$ 是子向量段数，m 越大每段越短、码本越小，但每段描述越粗糙。
    mm
  2. 码本大小 k$\log_2 k$ 是每个编号需要的比特数，k=256 时每个编号只需 8 比特，对照原始 32 位浮点大幅缩水。
    log⁡2k\log_2 k
  3. 原始存储量$d\times 32$ 是原始 float 向量的总位数，32 是单精度浮点的比特数，作为压缩对比的分母。
    d×32d\times 32

码本训练：标准箱型从哪来

标准箱型不能拍脑袋定。老张翻出仓库里所有历史包裹的测量数据，把数据按测量组分摊开，用“物以类聚”的办法：测量值接近的包裹自然聚成一堆，每堆取一个“平均尺寸”作为标准箱。

技术上这是 KMeans 聚类。码本训练的目标是：给定一组子向量样本，找到 k 个聚类中心，使得所有样本到其最近中心的平方距离之和最小：

实际训练中，先随机选 k 个样本作为初始中心，再交替执行“分配样本 → 更新中心”直至收敛。样本量过大时先均匀采样几万条，既保证代表性又控制训练成本。码本一旦训练完成，标准箱就“定型”了。此后新包裹入库，每段测量值对照码本选最近的编号，压缩流程正式运转。

min⁡{cj}∑i=1nmin⁡j∥xi−cj∥2\displaystyle \min_{\{c_j\}}\sum_{i=1}^{n}\min_{j}\|x_i-c_j\|^2
这个公式就是“让标准箱最贴合真实包裹”的数学表达——总偏差越小，箱型越合理，量化误差越低。
  1. 样本向量$x_i$ 是参与训练的某段子向量，通常从全量数据中均匀抽样而来，保证代表性。
    xix_i
  2. 聚类中心$c_j$ 是待学习的第 j 个标准箱中心，所有中心合起来就是该段的码本。
    cjc_j
  3. 双层最小化$\min_{j}\|x_i-c_j\|^2$ 先算每个样本离哪个中心最近，外层再调所有中心位置让总误差最小。
    ∑i=1nmin⁡j∥xi−cj∥2\sum_{i=1}^{n}\min_{j}\|x_i-c_j\|^2

编码检索：查表代替运算

包裹都变成箱号后，老张发现比较两件包裹变得出奇简单：不需要打开箱子，甚至不需要完整测量，只要对着型号表查差异就行。

查询阶段最常用的是 ADC——非对称距离计算。“非对称”指查询向量保持原始精度，库中向量用码本 ID 表示。对查询向量的每一段，先预计算它与该段所有聚类中心的距离平方，得到一张 k 长的表；再扫描库中向量，逐段查表累加：

另一种 SDC 对称距离会先把查询向量也量化为码本 ID 再比较，省去建表过程，但精度略低。工程中 ADC 更常见：多花一点点建表时间，换回明显更好的召回。老张的团队从此比较包裹全靠“查型号表”，又快又省力。不过箱号毕竟是近似，误差不可避免——怎么把误差的影响压到最低？组合方案给出答案。

d~(x,y)=∑j=1m∥x(j)−cj[yj]∥2\displaystyle \tilde{d}(x,y)=\sum_{j=1}^{m}\|x^{(j)}-c_j[y_j]\|^2
库里每条向量被近似成 m 个码本中心的组合，查询向量与它的距离，约等于 m 段距离表查表之和，全程没有高维浮点运算。
  1. 查询向量分段$x^{(j)}$ 是查询向量第 j 段子向量，保持原始数值不量化，这是“非对称”的关键。
    x(j)x^{(j)}
  2. 码本查表$c_j[y_j]$ 表示查第 j 段码本的第 $y_j$ 个中心向量，用它近似库中向量的第 j 段。
    cj[yj]c_j[y_j]
  3. 逐段累加$\sum_{j=1}^{m}$ 把 m 段的距离平方求和，得到近似距离，用于排序取 top-K。
    d~(x,y)\tilde{d}(x,y)

IVF+PQ组合：双剑合璧

老张把两招合二为一：客户要红白条纹 T 恤，先直奔服装区（IVF 粗筛），到了服装区，不再逐件量尺寸，而是对照箱号快速锁定最接近的目标（PQ 精排）。

这就是现代向量数据库中最经典的索引结构——IVF+PQ。粗量化器负责缩小搜索范围，PQ 负责在候选集内做快速的近似距离计算。整体开销为：

但精度与效率永远在博弈。nprobe 太小时，真正的最近邻可能恰好落在没被扫描的簇里，造成漏检；m 或 k 太小时，量化过粗，近似距离失真。工程常用补偿手段有：适度增大 nprobe、用更大的 k 加密码本、对候选 top-K 做重排序（用原始向量精算一次准确距离）、或者把粗量化器从 KMeans 升级为 HNSW 多层图索引。老张的仓库终于高速运转。他总结出四个旋钮：nlist 管分区多少，nprobe 管搜索广度，m 管压缩粒度，k 管量化精度。理解这四个旋钮的相互牵制，就掌握了向量检索系统的调优心法。

Ttotal=O(Nnlist×m×nprobe)\displaystyle T_{total}=\mathcal{O}\left(\frac{N}{nlist}\times m\times nprobe\right)
前半截是 IVF 筛出的候选数量，后半截是每条候选用 PQ 查 m 次表完成距离计算的代价，两者相乘就是组合后的单次查询总成本。
  1. IVF 粗筛$\frac{N}{nlist}\times nprobe$ 是 IVF 阶段锁定的候选向量数，控制了搜索的广度。
    Nnlist×nprobe\frac{N}{nlist}\times nprobe
  2. PQ 精排$\times m$ 表示每条候选向量只需做 m 次查表，而不是 d 维浮点运算，控制了比较的深度。
    ×m\times m
  3. 总代价$T_{total}$ 综合了分区与压缩的收益，实际工程中还需加上建距离表、质心计算等常数开销。
    TtotalT_{total}

AI 应用场景

电商以图搜图

阶段：召回阶段

解决的问题：用户上传一张商品图片，系统需在千万商品库中秒级返回相似款。传统暴力计算无法满足商业延迟；单独用 IVF 有分区误差，单独用 PQ 存储虽小但检索范围仍大。老张的“分区 + 编号”组合让“先分区、再压缩比对”成为可能。

具体案例：某电商平台“拍立淘”功能，将商品主图用 CNN 提取为 128 维向量，写入 IVFPQ 索引（nlist=4096，nprobe=16），单次查询约 10ms，召回率保持在 90% 以上，支撑大促峰值流量。

推荐系统海量召回

阶段：召回阶段

解决的问题：推荐系统需从亿级物品中为每个用户召回数百候选再做精排。暴力检索的内存和 CPU 成本不可接受，IVF+PQ 为每件物品生成“分区+压缩编号”，召回延迟降到毫秒级。

具体案例：短视频 App 使用用户兴趣向量（256 维）在 5000 万视频向量库中检索，IVFPQ 索引将存储压缩至 1/32，候选召回从全量降为 3000 条再交给精排模型，日均调用上亿次。

RAG知识库检索

阶段：文档检索阶段

解决的问题：大模型私有知识库问答需先检索相关文档片段，知识库常达百万级文档向量，暴力检索无法满足实时对话要求。

具体案例：企业客服 RAG 系统存储 200 万条 FAQ 向量，采用 IVFPQ 索引并配置 nprobe=8、m=64，P@10 达 85%，平均检索延迟约 60ms，相比暴力检索提速 13 倍且存储减少 70%。

Python 演示

python107 行
import numpy as np  class PQCodec:    """乘积量化编解码器：将高维向量压缩为码本ID序列"""     def __init__(self, m=4, k=64, rg=None):        self.m = m        self.k = k        self.rg = rg or np.random.RandomState(42)        self.centroids_list = None        self.sub_dim = None     def fit(self, X):        """在训练集上为每一段子向量训练码本"""        n, d = X.shape        assert d % self.m == 0, "向量维度必须能被m整除"        self.sub_dim = d // self.m        self.centroids_list = []        for j in range(self.m):            Xj = X[:, j * self.sub_dim:(j + 1) * self.sub_dim]            self.centroids_list.append(self._kmeans(Xj))        return self     def _kmeans(self, X, max_iter=20):        """KMeans聚类：返回k个聚类中心"""        idx = self.rg.choice(len(X), self.k, replace=False)        centers = X[idx].copy()        for _ in range(max_iter):            dist = ((X[:, None, :] - centers[None, :, :]) ** 2).sum(-1)            labels = dist.argmin(1)            for ci in range(self.k):                mask = labels == ci                if mask.any():                    centers[ci] = X[mask].mean(0)        return centers     def encode(self, X):        """将向量矩阵转成码本ID矩阵"""        codes = np.zeros((len(X), self.m), dtype=np.int32)        for j in range(self.m):            Xj = X[:, j * self.sub_dim:(j + 1) * self.sub_dim]            dist = ((Xj[:, None, :] - self.centroids_list[j][None, :, :]) ** 2).sum(-1)            codes[:, j] = dist.argmin(1)        return codes     def adc_dist(self, query, codes):        """非对称距离：查询向量不量化，库向量用码本近似"""        dists = np.zeros(len(codes))        for j in range(self.m):            qj = query[j * self.sub_dim:(j + 1) * self.sub_dim]            table = ((self.centroids_list[j] - qj) ** 2).sum(-1)            dists += table[codes[:, j]]        return dists  class IVFIndex:    """倒排文件索引：先按粗聚类分区，再在部分分区内检索"""     def __init__(self, nlist=16, nprobe=2, rg=None):        self.nlist = nlist        self.nprobe = nprobe        self.rg = rg or np.random.RandomState(0)        self.centroids = None        self.last_hits = None     def fit(self, X):        """训练粗量化器并构建倒排列表"""        idx = self.rg.choice(len(X), self.nlist, replace=False)        self.centroids = X[idx].copy()        dist = ((X[:, None, :] - self.centroids[None, :, :]) ** 2).sum(-1)        labels = dist.argmin(1)        self.last_hits = [np.where(labels == i)[0] for i in range(self.nlist)]        return self     def search(self, query, X, topk=10):        """查询：只扫描最近的nprobe个分区"""        cent_dist = ((query[None, :] - self.centroids) ** 2).sum(-1)        probe = np.argsort(cent_dist)[:self.nprobe]        cand = np.concatenate([self.last_hits[i] for i in probe])        true_dist = ((query[None, :] - X[cand]) ** 2).sum(-1)        order = np.argsort(true_dist)[:topk]        return cand[order]  def recall_at_k(pred, true, k):    """计算Top-k召回率"""    return len(set(pred) & set(true)) / k  if __name__ == "__main__":    rg = np.random.RandomState(123)    X = rg.randn(20000, 16).astype(np.float32)     pq = PQCodec(m=4, k=64, rg=rg).fit(X)    codes = pq.encode(X)    raw_bytes = X.nbytes / len(X)    pq_bytes = codes.nbytes / len(X)    print(f"原始存储: {raw_bytes:.1f} 字节/条")    print(f"PQ压缩后: {pq_bytes:.1f} 字节/条")    print(f"压缩率: {pq_bytes / raw_bytes * 100:.1f}%")     ivf = IVFIndex(nlist=32, nprobe=3, rg=rg).fit(X)    query = X[0]    true_top = np.argsort(((query[None, :] - X) ** 2).sum(-1))[:10]    hits = ivf.search(query, X, topk=10)    print(f"IVF检索 Top10 召回率: {recall_at_k(hits, true_top, 10):.2f}")
目的：从零实现乘积量化（PQ）与倒排文件（IVF）两个核心类，在随机生成的向量数据上验证 PQ 的压缩率与 IVF 的召回率。
  1. pq = PQCodec(m=4, k=64, rg=rg).fit(X)设置每段聚成 64 个中心，在训练集上逐段训练码本
  2. codes = pq.encode(X)把每条 16 维向量编码成 4 个码本 ID，存储从 64 字节降到 16 字节
  3. true_top = np.argsort(((query[None, :] - X) ** 2).sum(-1))[:10]用暴力法算出真正的 Top10 作为召回率参照
  4. ivf = IVFIndex(nlist=32, nprobe=3, rg=rg).fit(X)建库时把 2 万条向量分成 32 个簇，查询时只扫最近的 3 个簇
  5. hits = ivf.search(query, X, topk=10)在候选簇内精确计算距离，返回 Top10 向量下标
  6. recall_at_k(hits, true_top, 10)计算检索结果与暴力结果的交集比例，衡量 IVF 的近似精度

常见误区

误区我一直以为 PQ 就是把向量每个维度的数值四舍五入成整数，类似图片压缩里的量化，反正都是牺牲精度换体积。

正解标量量化确实是逐维度压缩数值精度，但 PQ 完全不同。PQ 是把向量切段、对每段子向量做聚类，用“中心编号”代替整段数值，是一个结构性压缩。形象地说，标量量化是给每张照片降低分辨率，PQ 是把照片里的人物、景物分别识别成图标，再用图标编号描述整张照片。

为何常见：两者名字都带“量化”两个字，且都牺牲精度换存储空间，初学者很容易把这两个概念混为一谈。

误区nlist 和 nprobe 同样是调节聚类数量的，调大调小效果类似，所以知道一个就够了。

正解nlist 是建库时划分的分区总数，nprobe 是查询时扫描的分区个数。前者决定“仓库隔成几间”，后者决定“找包裹时打开几间门”。调大 nlist 会增加建库和存储开销，调大 nprobe 会增加查询耗时——两者作用于不同阶段，绝不能混用。

为何常见：IVF 的调参界面里两个参数紧挨着，名称又相似，新手在配置向量数据库时极易张冠李戴。

误区既然 PQ 在工业界广泛使用，那么压缩后的向量距离应该和原始距离基本一致，召回率不会受影响。

正解PQ 是有损压缩，量化误差必然存在，召回率会受 m、k、nprobe 等参数影响。如果 m 太小、k 太小，压缩过度，近似距离失真，真正最近邻可能排不到前面。工程上需要靠调参、重排序等补偿手段拉回精度。

为何常见：教程常宣传 PQ“压缩几十倍且几乎不掉点”，容易让人忽略这背后有精心调参的前提。

误区只要用 IVF，最相似的向量一定落在被扫描的 nprobe 个分区里，所以结果就是全局最近邻。

正解IVF 是近似检索。如果查询向量恰好处在两个簇的边界附近，真正的最近邻可能落在第 nprobe+1 个簇里，此时 IVF 会漏检。增大 nprobe 或对粗量化器做更细致的设计可以降低漏检率，但无法完全消除。

为何常见：日常实验中数据分布规整、检索结果正好命中，会让人误以为 IVF 是无损的，直到遇到真实世界的长尾分布才发现问题。

面试题

Q1. 乘积量化PQ中，原始向量被切分为m个___

单选题 · easy

  • A.子向量并分别量化← 正确答案
  • B.完整向量整体聚类
  • C.标量值逐个量化
  • D.随机抽样部分向量

答案：A。PQ 的核心是把向量切段后分别量化，像把一件包裹拆成几个标准部件再分别编号。B 是整向量聚类的思路，C 是标量量化，D 随机抽样没有依据。

Q2. IVF中nlist的含义是___

单选题 · easy

  • A.建库时划分的聚簇总数← 正确答案
  • B.查询时扫描的聚簇数
  • C.每个簇容纳向量的上限
  • D.查询向量的维度数量

答案：A。nlist 是建库阶段把向量库分成的簇数，相当于仓库隔出的房间数。B 说的是 nprobe，C 是容量限制，D 是维度概念，都与 nlist 无关。

Q3. 增大nprobe最直接的影响是___

单选题 · mid

  • A.召回率提高但查询变慢← 正确答案
  • B.召回率下降查询变快
  • C.存储空间得到显著压缩
  • D.码本训练时间大幅缩短

答案：A。nprobe 是查询时扫描的簇数，增大它等于多打开几间房门，找到目标概率更高但耗时增加。B 方向反了，C 与存储无关，D 影响的是建库阶段而非查询阶段。

Q4. ADC中“非对称”的含义是___

单选题 · mid

  • A.查询向量不量化库向量量化← 正确答案
  • B.查询向量量化库向量不量化
  • C.两侧向量都被量化处理
  • D.两侧向量都不做量化

答案：A。ADC（非对称距离计算）中查询向量保持原始精度，库中向量用码本 ID 近似，两边“不对等”而得名。B 恰好反了，C 是 SDC 的做法，D 是暴力计算。

Q5. PQ编码的完整流程包括以下哪些步骤？

多选题 · mid

  • A.切分向量为m段子向量← 正确答案
  • B.每段独立KMeans聚类← 正确答案
  • C.用中心编号表示子向量← 正确答案
  • D.全维度共享同一个码本

答案：ABC。PQ 流程是切段、分段聚类、编号替换三步。D 错误——PQ 各段用独立码本，就像包裹拆成三部分要用三套不同的标准箱型号，而不是一套箱型装所有部件。

Q6. PQ的压缩率主要由哪两个参数决定？

单选题 · easy

  • A.划分数m与码本大小k← 正确答案
  • B.nlist与nprobe的取值
  • C.聚类迭代次数设置
  • D.训练样本总量的多少

答案：A。压缩率公式 R = m×log₂(k)/(d×32) 只与 m 和 k 有关。B 是 IVF 的调参项，C 和 D 影响训练成本但不影响压缩后每向量占用的比特数。

Q7. IVF+PQ组合相比暴力搜索的优势包括___

多选题 · hard

  • A.IVF缩小候选搜索范围← 正确答案
  • B.PQ压缩向量存储成本← 正确答案
  • C.距离计算完全无信息损失
  • D.比对退化为查表操作← 正确答案

答案：ABD。IVF 负责把范围从全库缩小到几个簇，PQ 负责压缩存储并让距离计算变成查表。C 错误，PQ 是有损压缩，量化误差必然存在，只是可通过参数与重排序补偿。

Q8. 下列哪项不是量化误差的补偿手段？

单选题 · extreme

  • A.增大nprobe扩大候选范围
  • B.对TopK结果做重排序
  • C.把粗量化器换成图索引
  • D.减小k值压缩码本规模← 正确答案

答案：D。增大 nprobe、重排序、用 HNSW 图索引做粗量化都是常见的补偿手段。D 减小 k 会让码本更稀疏、量化更粗糙，误差反而增大，所以不是补偿手段。

Q9. PQ中码本训练最常用的算法是___

单选题 · mid

  • A.KMeans聚类算法← 正确答案
  • B.精确最近邻排序
  • C.线性回归模型
  • D.逻辑回归分类

答案：A。码本训练用 KMeans 对每段子向量聚类，迭代更新中心直到收敛。B 是检索中的排序操作，C 和 D 分别是回归与分类算法，与码本生成无关。

Q10. 下列哪些场景适合采用IVF+PQ？

多选题 · easy

  • A.亿级向量近似召回← 正确答案
  • B.在线低延迟检索← 正确答案
  • C.需要精确逐条比对
  • D.存储成本敏感环境← 正确答案

答案：ABD。IVF+PQ 适合大规模近似、低延迟、存储受限的场景，像老张的亿件仓库必须分区编号才能高效运转。C 要求精确逐条比对时应使用暴力搜索或保留原始向量的方案。