向量数据库排行榜的头号交椅，再次易主——

来自零一万物最新研发的高性能向量数据库笛卡尔（Descartes），登顶权威测评榜单。

在此之前，榜单里六个数据集的榜首分属于两家厂商，而笛卡尔的包揽结束了这种 " 分庭抗礼 " 的局面，成为了大一统的 " 新王 "。

在权威的 ANN-Benchmark 榜单中（GitHub 4.4k 星），笛卡尔直接包揽了六个数据集的第一名。

而且新前两名的差距也被大幅拉开——相比比前 SOTA，笛卡尔的成绩最高提升了 286%。

那么，笛卡尔在测试中到底交出了怎样的答卷呢？

包揽权威榜单六项第一

笛卡尔登上的 ANN-Benchmarks 榜单，包含了六大测试数据集，可以展示不同算法在不同数据集下的表现。

而笛卡尔参与全部六个数据集评测，它们主要考察在不同召回下的查询性能。

结果，笛卡尔（图中右上红色曲线）在这六个数据集的评测中，都取得了最好成绩。

下图为对数坐标系，横坐标代表召回，纵坐标代表 QPS（每秒处理的请求数），越往右上角意味着算法性能越好。

而 " 吞吐量 QPS" 是衡量信息检索系统（例如搜索引擎或数据库）查询处理能力的重要指标。

在原榜单 TOP1 基础上，零一万物笛卡尔向量数据库实现了显著性能提升，部分数据集上的性能提升超过 2 倍以上，在 gist-960-euclidean 数据集维度更大幅领先榜单原 TOP1 286%。

那么，在笛卡尔优异表现的背后，采用了哪些技术呢？

采用全栈向量技术增强性能

在零一万物团队看来，增强向量检索能力，就是在解决两个问题，一是减少考察的候选集，二是降低单个向量计算的复杂度。

针对其中第一个问题，零一万物又采用了两大策略来解决。

首先是采用全导航图技术，构建全局多层缩略图，实现图上坐标系导航，既能保证精度，又能裁剪大量无关向量，解决了哈希、KD-Tree、VP-Tree 等传统方式导航效果不够精确、裁剪力度不够的问题。

另一方面，是零一万物自研的自适应邻居选择策略。

它突破了以往仅依赖真实 top-k 或固定边选择策略的局限，使每个节点可以根据自身及邻居的分布特征，动态地选取最佳邻居边。

这种方式可以更快收敛接近目标向量，从而让 RAG 向量检索性能提高 15%-30%。

而针对第二个问题，零一万物采取的是两级量化方案，从而降低计算复杂度。

同时，利用列式存储充分利用 SIMD 的并发能力，进一步发挥硬件能力，相比传统 PQ 查表，性能还能大幅提升到 2-3 倍。

除此之外，零一万物还有索引结构优化、连通性保障等全栈向量技术方案提高笛卡尔向量数据库的性能。

最终，笛卡尔的检索精度超过了 99%，而千万级数据库响应时间仅为毫秒量级。

零一万物表示，笛卡尔向量数据库将用在近期即将正式亮相的 AI 产品中，未来也将结合工具提供给开发者。

大模型重要的基础设施

事实上，以笛卡尔为代表，向量数据库在整个大模型行业中，本就是一项热门技术。

它是检索增强生成（RAG）技术的核心，用来存储、管理、查询和检索向量化的非结构化数据。

换言之，也就是大模型形成 " 长期记忆 " 的关键，因此也被称为 " 大模型的海马体 "。

除了记忆能力，向量数据库还解决了大模型实时信息更新的问题，还能提高推理效率并降低幻觉，同时在隐私数据不能用于训练时担任信息传递载体……

作为大模型基础设施，无论是在大厂还是初创公司，向量数据库都是一个热门的研究方向。

Google、微软、Meta 等传统互联网大厂，都相继在其云服务平台中推出了自己的相关产品。

初创公司方面，Zilliz、Pinecone、Weaviate、Qdrant 等公司也是异军突起。

比如成立于上海的 Zilliz，其所研发的向量数据库在笛卡尔出现之前就是 ANN-Benchmark 榜上的王者。

阿里云、腾讯云、微软 Azure、亚马逊 AWS 等国内外知名云服务厂商，都部署了 Zilliz 的产品。

而除了产业界，向量数据库在投资人眼中同样具有重要地位。

比如前面提到的 Zilliz，总计融资金额就已经超过了 1.1 亿美元。

OpenAI 的向量数据库合作方 Pinecone，成立至今一共完成四轮融资，总金额更是达到了 1.38 亿美元。

而像 Weaviate、Qdrant 等小一些的创业公司，融资金额也都达到了数千万美元。

总之，随着大模型发展进入白热化阶段，零一万物在这时加入这场竞争，向量数据库之后格局会如何变化？值得期待。