Milvus HNSW 量化索引选型指南：从 SQ、PQ、PRQ 到 Refine 实测
Milvus HNSW 量化索引选型指南：从 SQ、PQ、PRQ 到 Refine 实测在 Milvus 里，HNSW 通常用于追求较高 Recall 的向量检索。
来自主题: AI技术研报
7396 点击 2026-09-09 14:50
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
在 Milvus 里，HNSW 通常用于追求较高 Recall 的向量检索。
浙大与港大团队开源轻量化记忆路由器LayerRecall，通过选择性检索历史记忆并仅注入对长程信息敏感的特定DiT层，解决长视频生成中角色离场再返回时身份与属性丢失的问题，在MemoBench和MovieBench评测中取得Overall第一，且约6.6MB的路由权重可零再训练迁移至其他视频生成骨干。
2025 年 12 月，OpenAI 联合多家实验室发布了一份湿实验室报告。报告给出了一个令人振奋的核心结论：GPT-5 通过多轮迭代，自主优化了一个分子克隆方案，效率提升了 79 倍。它提出了一种此前从未被报道过的酶组合——RecA 重组酶与噬菌体 T4 的 gp32 蛋白协同作用，让 DNA 末端配对效率大幅跃升。
RAG 系统上线后答案出错，绝大多数团队的第一反应都是换更贵的模型、反复调试 prompt。
生成式模型当检索器大材小用效果还不好？
“真的受够了 Windows 11 中各种莫名其妙的 AI 功能。”
斯坦福和MIT的研究团队推出了一种新的AI智能体推理框架ReCAP，在长上下文任务中全面超越了现有的主流框架ReAct，性能提升显著。ReCAP通过独特的递归树结构和三大机制，解决了大语言模型在复杂任务中常见的目标漂移、上下文断层和成本爆炸等问题。
为了打破这一僵局，来自佐治亚理工学院、明尼苏达大学和哈佛大学的研究团队将目光从单纯的「成功」转向了「成功且高效」。他们推出了名为 ReCA 的集成加速框架，针对多机协作具身系统，通过软硬件协同设计跨层次优化，旨在保证不影响任务成功率的前提下，提升实时性能和系统效率，为具身智能落地奠定基础。
谢集，浙江大学竺可桢学院大四学生，于加州大学伯克利分校（BAIR）进行访问，研究方向为统一多模态理解生成大模型。第二作者为加州大学伯克利分校的 Trevor Darrell，第三作者为华盛顿大学的 Luke Zettlemoyer，通讯作者是 XuDong Wang, Meta GenAl Research Scientist、
感谢 Moose 老师非常细致地分享了： 他从WAIC 大会现场观察了国内 AI 的最新动向——从大厂展区的大模型生态，到独立团队的创意产品，涵盖办公、教育、设计、视频等多个场景。通过这些案例，可以更清晰地看到 AI 在 2025 年的三种趋势：套壳的传统产品、短期的效率工具，以及真正有潜力的垂直平台与智能体（Agent）