产品
一种将文档压缩为单向量的近似向量搜索方法。
已跟踪 3 条高相关材料
最近变化
2026-06-23 · 直接在嵌入列表上构建 HNSW 索引，质量接近 BruteForce 方法。
为什么值得关注
LEMUR 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
With the same multi-vector model, and the same dataset, nDCG@10 can drop from 0.701 to 0.109 — rough...
Milvus(@milvusio) · 9.2 分
多向量检索中近似策略选择错误会导致nDCG@10下降6倍，影响远超模型升级收益。应通过计算Token向量MaxSim标准差判断嵌入空间分离度：高分散选TokenANN/MUVERA，低分散选LEMUR，避免盲目调优。
We built HNSW directly on the embedding lists, with no encoding step in between. 𝗧𝗵𝗲 ...
Milvus(@milvusio) · 8.5 分
Milvus 直接在嵌入列表上构建 HNSW 索引，无需编码步骤，质量几乎无损失，且优于现有近似策略。
𝗟𝗘𝗠𝗨𝗥 𝗶𝘀 𝘁𝗵𝗲 𝗺𝘂𝗹𝘁𝗶-𝘃𝗲𝗰𝘁𝗼𝗿 𝘀𝘁𝗿𝗮𝘁𝗲𝗴𝘆 𝘁𝗵𝗮𝘁 𝗹𝗼𝗼𝗸𝘀 𝗲𝗮𝘀𝗶𝗲𝘀𝘁 ...
Milvus(@milvusio) · 8.5 分
LEMUR 多向量策略存在长度偏差问题，可能导致文档排序不准确，需通过长度均衡采样等方法优化。
已收录 3 条与 LEMUR 相关的内容，按评分排序。
多向量检索中近似策略选择错误会导致nDCG@10下降6倍，影响远超模型升级收益。应通过计算Token向量MaxSim标准差判断嵌入空间分离度：高分散选TokenANN/MUVERA，低分散选LEMUR，避免盲目调优。
入选理由：同模型数据集下，错误近似策略使nDCG@10从0.701跌至0.109，损失超模型升级收益
Milvus 直接在嵌入列表上构建 HNSW 索引，无需编码步骤，质量几乎无损失，且优于现有近似策略。
入选理由：直接在嵌入列表上构建 HNSW 索引，质量接近 BruteForce 方法。
LEMUR 多向量策略存在长度偏差问题，可能导致文档排序不准确，需通过长度均衡采样等方法优化。
入选理由：LEMUR 在长度敏感模型中可能导致文档排序偏向长文档，而非相关性。
