faiss

PopUpFactCheck.com 通过将底层的 GPT-OSS-120B 模型切换到高推理强度，提升了事实核查质量，增强了在归因和判断任务上的表现，同时利用缓存和成本效益路由来管理开支。

作者更新了‘embedflow’嵌入向量迁移项目，新增了包括支持多种向量数据库、迁移规划器、影子模式和持久缓存等功能，使其可用于生产环境中的嵌入模型转换。

Whitetree是一个用于低维传感器数据精确马氏距离最近邻搜索的Python库，它使用多个KD树来高效处理插入和删除操作，无需重建。基准测试显示，在动态场景中，它的性能显著优于sklearn的BallTree和FAISS等替代方案。

作者从零构建了一个检索引擎，将HNSW与FAISS进行对比基准测试。研究发现，对于小型文档集，暴力搜索速度更快；编码器延迟主导了检索时间；而通过RRF融合BM25与稠密检索能显著提升检索质量。

本文介绍了 Memory Decoder at Scale，将参数化长期记忆模型扩展至 6.9B 参数，并在 300B token 上预训练，表明独立扩展记忆比单独扩展基础模型更具参数效率。

Google 开源了一个向量索引，将 31GB 的 AI 内存压缩到 4GB，可容纳 1000 万文档，搜索速度比 FAISS 更快，且无需训练或 GPU。

一个基于推理的检索系统（ClawIndex）在700个查询上与FAISS和BM25进行基准测试，使用本地Qwen，取得了更高的NDCG@10但在某些数据集上速度较慢且MRR较低，作者希望获得反馈。

教育性文章，解释FAISS（一个用于十亿级相似性搜索的库），涵盖向量嵌入、最近邻搜索以及IVF和Product Quantization等高效检索技术。

一位开发者使用Qwen3-VL-Embedding、FAISS、Modal和Cloudflare R2，在国家美术馆的68,000件艺术品上构建了多模态语义搜索系统。该系统热响应时间约1.3秒，冷启动约44秒，同时支持文本到图像和图像到图像的查询。

对向量搜索库（Faiss、Scann、Usearch）进行基准测试，涵盖从500到100万样本的数据集大小，评估速度、内存使用和精确度，并提供结果和代码。