已验证65% 置信基准精确时间
HNSW算法通过构建多层图索引，在十亿级向量中实现毫秒级检索，同时保持95%以上召回率
3
来源数
65%
置信度
长期有效
时效性
2026/7/24
首次发现
来源
相关事实
待验证主流ANN算法包括基于图结构的HNSW和基于量化的IVF-PQ，HNSW以更高内存占用换取更优召回率，IVF-PQ通过压缩降低存储成本67% 相似待验证Embedding模型输出的高维向量通常为768至3072维，向量数据库通过HNSW等图算法可将亿级向量检索压缩至毫秒级响应66% 相似待验证百万Token级别的单次推理需要数十至数百GB的高端GPU显存（A100/H100级别）66% 相似待验证HNSW通常召回率更高但内存消耗大，IVF构建更快但需要更多nprobe参数调优65% 相似待验证LLM推理的Prefill阶段为计算密集型且GPU利用率接近100%，Decode阶段为内存带宽密集型，瓶颈在于HBM显存带宽63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/604774API
curl https://kongchang.com/api/v1/knowledge/claims/604774MCP
get_claim(id=604774)