压缩之后，搜索还会做出相同的选择吗？
研究简介
When Does Low-Bit Quantization Preserve the Decisions of Vector Search?
把量化误差放回排序与图剪枝的具体决策中，用比较间隔、误差相关性与执行轨迹，刻画低比特搜索的可靠性。
了解这项研究RESEARCH / PUBLICATIONS
Questions.
Evidence. Progress.
我们的研究从值得追问的问题出发，在不同领域探索新的理解与方法。这里汇集论文与研究进展，连接每一次发现和由此展开的新问题。
同一次量化改动，为何会改变好坏？
研究简介
Contextual Utility of Quantization Moves in Extreme Low-Bit LLMs
研究极低比特大模型中一次离散改动的真实收益：沿改动自身的路径评估，并在持续变化的模型状态上组合决策。
了解这项研究少到一两个比特，什么信息仍被保留？
研究简介
Covariance Structure and Coordinate Heterogeneity Govern Binary Quantization of Contrastive Embeddings
从协方差结构与坐标差异出发，解释二值量化的排序能力，以及额外一位和随机旋转为什么在不同表示上作用不同。
了解这项研究QuIVer：让二值编码直接构建搜索图。
研究简介
QuIVer: Rethinking ANN Graph Topology via Training-Free Binary Quantization
在免训练的两比特空间中完成建图、剪枝与搜索，只在最终重排时读取完整向量，探索紧凑索引的能力与适用边界。
了解这项研究没有找到匹配的论文，试试其他关键词或研究方向。
4 篇论文
有值得一起追问的问题？
与我们交流