3 倍于 VectorDBBench 榜首，火山 Milvus 如何把向量检索拉到新高度

📌 一句话摘要

火山引擎 Milvus 通过 Extended-RaBitQ 算法与系统工程优化，在 VectorDBBench 固定成本测试中取得榜首近 3 倍的 QPS，将向量检索性价比推向新高度。

📝 详细摘要

本文详细介绍了火山引擎 Milvus 在向量检索性能上的最新突破。在权威基准测试 VectorDBBench 的固定成本（约 7105 元/月）约束下，其 QPS 达到榜首成绩的近 3 倍，同时保持了高召回率与低延迟。文章深入剖析了背后的技术路径：算法层面，通过 Extended-RaBitQ 多比特量化与内存版 DiskANN 的结合，在压缩率与召回精度间取得更优平衡；工程层面，则通过查询链路瘦身、内存布局优化及图搜索访存效率提升，将算法能力稳定转化为线上服务能力。文章最后强调，这一性能提升的核心价值在于大幅降低单位吞吐的资源与成本，为大规模 RAG、推荐等场景提供了显著的性价比优势。

💡 主要观点

- 火山 Milvus 在 VectorDBBench 固定成本测试中，QPS 达到榜首近 3 倍，性价比优势显著。 在每月约 7105 元的相同资源约束下，火山 Milvus 的 QPS 为 20420，是当前 VectorDBBench 榜首成绩的近三倍，意味着达成同等性能仅需约 1/3 的硬件成本。

Extended-RaBitQ 多比特量化算法是提升检索效率的关键。 相比 1-bit RaBitQ，Extended-RaBitQ 允许每维使用更丰富的量化表示，在保持低存储成本的同时提升了向量距离估计精度，使系统在召回率与压缩率之间取得更好平衡。

内存版 DiskANN 并非低性能的磁盘索引，而是高性能图搜索的实现方式。 文章澄清了 DiskANN 支持内存和磁盘两种模式。本次测试使用的是内存版，它将数据加载到内存中，以充分利用 CPU 与内存访问能力，释放极致的图搜索效率。

系统工程优化是算法能力稳定转化为线上服务能力的核心。 通过查询链路瘦身、减少内存分配与拷贝、优化内存布局以提升 CPU Cache 命中率等工程手段，显著压低了单次请求的基础延迟，使高吞吐与低尾延迟得以兼得。

高性价比是向量数据库在真实在线场景中的长期竞争力。 在 AI 时代硬件成本持续上涨的背景下，火山 Milvus 通过算法与工程的协同优化，将单位资源的吞吐量最大化，为大规模数据场景带来每月数万乃至数十万元的真实成本节省。

💬 文章金句

- 榜单结果是一种外部验证，真正值得关注的是背后的成本效率提升路径。

• 真正的性价比，来自这些指标在同一套资源约束下同时成立。
• DiskANN 的核心价值并不只是“把数据放到磁盘上”，而是通过图索引结构、候选扩展策略和数据布局设计，在不同资源约束下实现高效近似最近邻搜索。

📊 文章信息

AI 初评：90

来源：字节跳动技术团队

作者：字节跳动技术团队

分类：人工智能

语言：中文

阅读时间：16 分钟

字数：3834

标签： 向量数据库, Milvus, DiskANN, RaBitQ, 性能优化

阅读完整文章