RaBitQ 是一种基于随机位量化的向量压缩索引方法,由新加坡南洋理工大学研究团队提出,核心思路是用极少的比特数(如每维 1 比特)近似表示原始高维向量,同时在理论上保证距离估计的误差有界,从而在大规模向量检索中大幅降低内存占用。它通常与 IVF、HNSW 等经典索引结构结合使用,在召回率与压缩率之间取得了接近 Pareto 最优的平衡,目前已成为主流向量数据库降本方案中的热门选择。
RaBitQ 近期进展
当前焦点与观察点
当前围绕 RaBitQ 的讨论主要集中在三点:一是压缩极限,即在 1 比特甚至更低码率下能维持多少召回率,以及误差界在真实数据分布上是否依然成立;二是工程落地,各向量数据库(Milvus、Pinecone 等)如何将其与 IVF、HNSW、磁盘索引组合,形成不同成本档位的检索方案;三是与后续变体(如 Extended RaBitQ、二阶段精排)的对比,量化索引通常需要配合原始向量重排来弥补精度损失。对于需要在有限内存上部署大规模语义检索的团队而言,RaBitQ 已从论文成果演变为值得评估的实用选项,但其最佳参数组合仍需结合数据集实测确定。