Qdrant 实测：TurboQuant 压缩 pplx-embed-v2-late 向量 21 倍，重排后保留 99.9% 检索质量
Qdrant 实测 Perplexity 新嵌入模型：向量压 21 倍精度几乎不掉，代价是要留原始向量做重排，做检索的可以看这组数据。
#向量检索
共 21 条 · 7 天 2 条 · 30 天 9 条
信息流里打上「向量检索」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月15日
10月14日
EmbeddingGemma 2 被做成 macOS 菜单栏本地语义搜索工具
有人把谷歌的 EmbeddingGemma 2 塞进 Mac 菜单栏，本地搜照片、视频、PDF 都能用一句话描述，不联网，技术栈也值得抄。
10月10日
Milvus 3.0 用 late interaction 做视觉 PDF 检索演示
Milvus 3.0 的演示，教你检索带图表的 PDF 时别用单向量，用 late interaction 保住细节，适合看论文和报告的人。
10月8日
10月6日
Milvus HNSW 索引量化解析：SQ、PQ 与 PRQ 如何压缩向量
Milvus 官方把 HNSW 的三种量化方案讲清楚了：SQ8/SQ6、PQ、PRQ 各自怎么压缩、省内存多少、代价是什么，做向量检索选型前很值得看。
10月5日
9月29日
Qdrant 的 Nano 与 Zero 可与 Stella 文档向量互换使用
做检索的朋友注意：Qdrant 的 Nano 和 Zero 查询向量能直接配 Stella 的文档索引，延迟和质量可以按需切换，不用重建索引。
9月25日
Milvus 3.0 Function Chain 演示：在检索层内完成电商重排
Milvus 放了个电商搜索 demo，语义召回后直接在库里用 XGBoost 重排，不用再搭一层排序服务，代码也开源了。
9月22日
9月17日
8月8日
AI Agent答错时，先别怪模型，问题可能出在检索层
Milvus 团队分享：Agent 答错先查检索层，用 EXPLAIN 思路可视化向量搜索，讲 IVF/HNSW/DiskANN 取舍，搞 RAG 的值得看。
8月4日
8月3日
7月24日
7月21日
行业19:21
Qdrant举办BASED Meetup #6，慕尼黑讨论搜索与RAG在慕尼黑的话，去Qdrant的BASED Meetup #6吧，自由讨论向量搜索和RAG，直接和团队聊，不用听枯燥汇报。
7月1日
6月24日
Milvus 直接在 embedding list 上构建 HNSW，质量近无损
Milvus 把 embedding 列表直接塞进 HNSW，质量几乎追上暴力搜索，比 MUVERA 高了一截，但成本也翻了 6-18 倍，长文档还不支持。适合对精度有极致需求的项目。
6月11日
论文23:56
LEMUR 多向量压缩策略在长尾语料上存在长度偏差问题做向量检索的团队注意了——LEMUR 在长尾语料上会悄悄按文档长度排序而非相关性，LoTTE 上召回率从 98% 掉到 30.5%。如果你的语料长度差异大（P90/P10 > 20），建议先跑文中的两个检查再决定是否用 LEMUR。
6月6日
Adobe 展示 Qdrant + Neo4j 架构：企业 AI 检索兼顾速度与权限合规
企业 AI 团队终于有了兼顾速度与权限的检索方案——Qdrant + Neo4j 的架构直接解决了「谁可以看什么」的治理难题，做企业级 RAG 或智能体系统的开发者值得关注。
5月26日
行业22:21
向量只告诉你相似性，不告诉你关联性：Neo4j VP 谈上下文图如何让智能体真正推理做智能体或 RAG 系统的开发者，如果发现向量检索经常答非所问，这场演讲会点出关键缺失——关系理解。建议关注活动内容或后续回放。