首席云解决方案架构师

向量引擎 - benchmark

从部署到实践，即刻拥有你的专属龙虾助手

OpenClaw开发者专区🦞🦞🦞

自行/邀约他人一键搬运博客，享价值百万资源包

腾讯云自媒体同步曝光计划

往期视频·干货材料·成员作品 最新动态

腾讯技术创作特训营知识专栏

有奖体验 | 成为 Agent Bucket 首批体验官，解锁 AI Agent 原生存储能力

新邀入驻腾讯云开发者社区，福利多多！

引言:
开发一个成功的产品，往往需要集齐“天时、地利、人和”。其中，“天时”意味着要顺应客观环境的剧烈变化，“地利”需要敏锐的技术嗅觉来选定赛道，“人和”则离不开极致的工程执行力。在向量搜索进入深水区的今天，Elasticsearch 并没有盲目堆砌硬件资源，而是通过快速落地 BBQ（Better Binary Quantization 更好的二进制量化） 算法，向业界展示了什么叫做技术上的“弯道超车”。

ES 与 Milvus: 二进制量化性能对比

TLDR: Elasticsearch 的速度高达 OpenSearch 的 12 倍 - 我们在 Elastic 收到了大量关于 Elasticsearch 和 OpenSearch 性能差异的询问，特别是在语义搜索/向量搜索方面。为了解决这个问题，我们进行了性能测试，以提供一个清晰的数据驱动比较。结果显示，Elasticsearch 的向量搜索速度高达 OpenSearch 的 12 倍，因此需要的计算资源更少。这反映了 Elastic 在巩固 Lucene 作为最佳向量数据库方面的专注，适用于搜索和检索用例。

Elasticsearch vs. OpenSearch: 向量搜索性能比较

您可以通过这个自定进度的动手学习来亲自体验 Search AI 的向量搜索功能。现在即可开始免费云试用或在本地机器上试用 Elastic。

Elasticsearch DiskBBQ 在网络附加存储上提供比 Qdrant 快 7 倍的向量搜索速度

基于二进制量化的向量搜索：Elasticsearch使用BBQ技术比OpenSearch搭配FAISS快5倍。我们收到社区要求，希望能解释Elasticsearch与OpenSearch在语义搜索/向量搜索方面的性能差异。因此，我们进行了一系列性能测试，以提供清晰、数据驱动的比较。

Elasticsearch BBQ与OpenSearch FAISS：向量搜索性能对比

在信息检索领域，向量搜索技术近年来成为了一个热门话题，它通过将文本转化为向量的方式，实现了更加精准和高效的搜索结果。在众多搜索引擎和数据库中，Elasticsearch和OpenSearch都提供了向量搜索的支持，但它们在实现方式上存在显著差异。Elasticsearch将向量搜索作为其核心功能之一直接内置于系统中，而OpenSearch则通过插件的形式提供类似功能。这种差异不仅影响了开发者的使用体验，也在性能和灵活性上造成了不同的影响。因此，理解这两种实现方式的特点及其背后的技术细节，对于选择合适的搜索解决方案至关重要。

Elasticsearch向量搜索深度解析：与OpenSearch插件实现的比较与评估

Elasticsearch 作为向量数据库，为您提供了一种高效的方式来大规模创建、存储和搜索向量嵌入（embeddings）。其核心构建于 simdvec 之上，该引擎提供比串行代码快约 50 倍，比 Java 的 Panama Vector API 快 2-3 倍的向量搜索速度。simdvec 的速度来源于现代 CPU 中实现的单指令多数据（SIMD）指令，其中许多指令最初并非为向量搜索而设计。

simdvec 深度解析：Elasticsearch 如何利用神经网络和视频编解码 CPU 指令实现向量搜索

通过这份自定进度的实践学习资料，亲自体验 Search AI 的向量搜索功能。您现在就可以开始免费的云试用，或者在您的本地机器上试用 Elastic。

Elasticsearch DiskBBQ：通过原生 SIMD 块实现向量评分速度提升 40%

我们在包含 2000 万篇文档的语料库上进行的基准测试表明，Elasticsearch 在过滤向量搜索方面比 OpenSearch 的吞吐量高出 8 倍，并且在我们测试的所有配置中都实现了更高的 Recall@100。上下文工程不仅仅依赖于快速的向量检索。随着工作流程的迭代，团队还需要强大的相关性控制（例如混合搜索和过滤）、操作简便性和可预测的性能。但是，由于代理通常在每个请求中多次运行检索、推理、再检索的循环，检索延迟会成为一个倍增器，因此这方面的改进将直接转化为更好的端到端响应速度和更低的成本。

Elasticsearch 的过滤向量搜索速度比 OpenSearch 快 8 倍

BBQ 量化 将 Jina embeddings v5 向量在 Elasticsearch 中的内存占用减少了 29 倍。与全精度 float32 基线相比，Recall@10 保持在 0.994。我们使用 jina-embeddings-v5-text-small 模型，在一个涵盖五种语言的多语言新闻语料库上进行了测试。我们用完全相同的 向量 构建了一个原始的 float32 索引和一个 bbq_hnsw 索引，然后测量了两者的内存、磁盘使用情况和检索质量。结果显示，两个索引的磁盘使用情况几乎相同。而集群是否能容纳语料库，主要取决于内存占用，在此测试集中，内存占用从 12.71 MB 下降到 0.44 MB。Jina v5 的 量化 感知训练是召回率得以保持的关键。

BBQ 量化如何将 Jina v5 embedding 缩小 29 倍，同时在 Elasticsearch 中保持召回率

想要亲身体验向量搜索？您可以使用这份自学式实践教程来探索搜索AI。现在就可以开始免费的云试用，或者在您的本地机器上试用 Elastic。

Elasticsearch simdvec 深度解析：在内存的钢丝上行走，实现向量吞吐量翻倍

从向量搜索到强大的 REST API，Elasticsearch 为开发者提供了最全面的搜索工具集。您可以查阅 Elasticsearch Labs 代码库 中的示例笔记本，体验新功能。您也可以立即开启免费试用或在本地运行 Elasticsearch。

Elasticsearch Serverless 如何将向量搜索吞吐量提升一倍

从 vector search 到强大的 REST APIs，Elasticsearch 为开发者提供了最全面的搜索工具包。您可以访问 Elasticsearch Labs repo 中的示例 Notebooks，尝试新功能。您也可以立即开始您的 免费试用，或在本地运行 Elasticsearch。

Elasticsearch 中存储向量查询速度提升高达 3 倍

NVIDIA cuVS 在 GPU 上构建 HNSW 图，使 Elasticsearch 中的向量索引速度最高提升 12 倍。本文将介绍两种生产部署模式：模式 A 在同一 GPU 节点上同时进行构建和提供服务，适用于数据节点少于五个的集群。模式 B 使用三个轻量级 GPU 摄入节点（每个 64 GB RAM），通过 ILM 滚动策略将分片移交到七个 CPU 热服务节点（每个 192 GB）——这是大规模生产环境的默认推荐方案。文中包含了针对 3 亿向量语料库的完整索引模板、ILM 策略和规模计算。

Elasticsearch 向量索引速度提升 12 倍：在 GPU 和 CPU 层部署 NVIDIA cuVS

从向量搜索到强大的 REST API，Elasticsearch 为开发者提供了最全面的搜索工具包。欢迎访问 Elasticsearch Labs 仓库 中的示例 notebook，尝试新功能。您也可以立即开始 免费试用 或在本地 运行 Elasticsearch。

Elasticsearch DiskBBQ 向量搜索 过滤速度提升 3–5 倍

今年早些时候，Elastic宣布与NVIDIA合作，为Elasticsearch引入GPU加速，集成NVIDIA cuVS[1]。有关详细信息，可以参考NVIDIA GTC的一个会议[2]以及多个博客[3]。本文是对与NVIDIA向量搜索团队共同开发工作的更新。

在Elasticsearch中使用NVIDIA cuVS实现高达12倍速度提升的向量索引：GPU加速

今年早些时候，Elastic宣布与NVIDIA合作，为Elasticsearch引入GPU加速，集成NVIDIA cuVS。有关详细信息，可以参考NVIDIA GTC的一个会议以及多个博客。本文是对与NVIDIA向量搜索团队共同开发工作的更新。

Hierarchical Navigable Small World（HNSW）向量搜索的原理在Elasticsearch 8.0中首次引入。但图是如何构建的呢？图的构建对搜索质量有什么影响？这些参数具体有什么作用？

HNSW图：如何提升Elasticsearch性能

Rally，也被称为 ES Rally，是 Elastic 依赖的基准测试工具，用于识别 Elasticsearch 的性能改进、回归等。它会在每晚针对 Elasticsearch 的每晚构建版本运行。你也可以用它来测试自己的 Elasticsearch 集群，识别与设置相关的任何性能问题。如果你想每天处理 5TB 的数据，请按照这篇博客文章及其系列来确保你的硬件能够支持这一需求。如果你的工作负载主要在搜索方面，我们也会涵盖这部分内容！

安装 Rally：运行你的第一个 Elasticsearch 性能基准测试并在无网络环境中操作

ES Rally 是一款用于测试 Elasticsearch® 性能的工具，能够运行和记录对比测试。

创建自定义 ES Rally Tracks 的分步指南

为了让 Elasticsearch 和 Apache Lucene 成为存储和搜索向量数据的最佳选择，我们引入了一种新的方法——BBQ（更好的二进制量化）。BBQ 是一个巨大的进步，通过压缩存储的向量数据，提高了效率（高达32倍），同时保持了高排名质量，并提供了极速的性能。你可以在 BBQ 博客 中阅读更多关于 BBQ 如何将 float32 量化为单比特向量以用于存储，如何在索引速度（减少 20-30 倍的量化时间）和查询速度（快 2-5 倍）上超越传统方法如 Product Quantization，以及 BBQ 在各种数据集上取得的优秀准确性和召回率。

硬件加速 SIMD 指令：如何在 BBQ 中实现极速向量比较优化

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

腾讯云开发者社区推出了向量引擎 - benchmark专栏，为你提供了向量引擎 - benchmark的相关文章，致力于帮助开发者快速成长与发展。

向量引擎 - benchmark

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐