页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Recall@k」找到 150 条内容
按专题浏览 →匹配口述回答：…这里有个坑：很多人觉得维度越低越好，直接降到128甚至64，结果召回崩了。所以我会先拿一小批业务数据做A/B测试，对比不同维度下的Recall@K和延迟，找到那个拐点。另外，普通模型不能预设随意截断有效；可比较学习投影、PCA或蒸馏。经Matryoshka训练的模型专门支持不同前缀维度，也要按对应模型说明与目标题集验证。 说到降维，其实除了直接选低维模型，还可以用蒸馏降低输出维度，或用Product Quantization压缩编码存储，两者不能混称降维，但不同压缩方式对精度…
匹配口述回答：…2、1字节，不能把总索引内存都按这个比例折算；近邻分数间隔小或校准不匹配时质量可能明显变化，上线前用一批测试 query 跑一遍 Recall@K，偏差不大就可以切。另一个是缓存，热点 query 的 embedding 和检索结果都可以缓存，尤其高频文档的向量可以预计算好，避免重复推理。批处理推理也能提升 GPU 利用率，把多个 query 拼成一个 batch 送进去。 工程架构上，我会考虑分片和分布式，按业务或者时间分片，每个分片独立建索引，查询时广播到所有分片再合并结…
匹配口述回答：…用Faiss GPU索引加速。常见失败场景是只追求召回率，忽略了延迟和内存。上线前我特别关注两件事：一是用固定query回放，对比Recall@K和延迟，确保不崩；二是做冷热分层，热数据放内存，冷数据放磁盘。 另外，现在有个趋势是把图索引和量化结合得更紧，比如Milvus的做法，直接在HNSW的边上做PQ压缩，这样能进一步压缩内存。不过代价是构建时间变长，而且对数据分布敏感。 所以整体上，我更倾向把向量检索看成一套系统工程，而不是挑一个算法。没有银弹，关键是根据数据规模和精度…
学习内容与项目面试，在同一条路上。