從距離誤差，到一次具體選擇
向量搜尋不斷選擇哪個候選更近、哪條邊應保留。平均誤差與全域排序相關性難以解釋局部決策為何失效，因此本研究分析演算法實際執行的比較。
關鍵在於候選原本的間隔，以及量化誤差能否跨過它。分析區分決策邊界附近的風險與校準殘差的尾部行為，也納入共用查詢或圖節點造成的相關性。
將局部決策連接到圖的執行軌跡
針對固定候選順序下的 Vamana 近鄰選擇，論文在凍結的精確狀態上，連結個別剪枝決策的一致性與最終近鄰清單的一致性。
當分布假設不可靠時，獨立留出資料區塊可為固定量化規則估計風險。二值編碼、RaBitQ、Lucene BBQ 與乘積量化都可透過同一決策介面分析。
為搜尋過程選擇量化方式
在學習型、傳統與合成表示上，正規化比較間隔比全域排序相關性更能預測排序與剪枝翻轉。研究涵蓋固定候選集合與凍結軌跡；端到端召回率仍取決於候選涵蓋程度。
閱讀與引用
繼續閱讀論文原文。
完整推導、實驗設定與結果，請參閱公開論文。