vincent

多少维的呢？我们做过的亿级测试，因为环境问题，都是用的小内存docker，所以采用的分布式ps节点部署，一般一个ps 2kw左右。

我们先查查之前的测试数据，稍后回复！

查了下，我们之前一般都是top100 top2,300之类，没有召回这么多。目前我们正在做一些评测， @zcdb 对于sift128维，可以测试下top1000的耗时

@kuailelijuan 有时间看看呢

> 用同一个向量提取模型，提取图像向量，写入两个数据集，A和B，A+B数量级在3000W左右，A先写入，检索效果很好，召回率在94%左右，但是后写入的数据B竟然连原图都检索不到，第一次反馈开发人员说是图库太大了，第二次说不能用ivfpq+hnsw，第三次说是参数配置问题，第四次说聚类问题，但是我把表空间重建后，使用单纯的ivfpq修改参数后发现还是会出现这个问题，关键是没有一个合理靠谱的原因 确认一下问题哈，是一批图片，比如3000w张图片，分成两大数据集，A是2000W张，B是另外的1000W张图片，两部分图片都用同一个深度学习模型提取出来的向量？

这确实能节省一半资源，但对于召回率和准确率有一定的影响，不同业务有不同要求，尤其像一些向量相似度比较集中的场景，可能有较大偏差。

avx512主要是向量寄存器带宽较avx256大了一倍，因此在向量指令计算时，数据存储这块尽量利用好比较大的寄存器缓存，避免因数据频繁从内存导入到寄存器，频繁打断计算流水线，从而影响性能。 sse2没有做过相关评测对比；avx512比avx256性能上有一定的提升，还没有专门针对两者详细评测对比过，具体也与向量指令的计算实现有关系。

Good suggestion!

@efriis I have added and changed the notes about relevance scores. please check, thanks!

> @ljeagle looks like the formatter/lint check failed - could you update that and I can merge it in? ok, thanks