Weaviate 1.36：HFresh 索引與正式功能

🔑 增強重點摘要

• •HFresh 基於 SPFresh 演算法，透過將向量分區成叢集並使用 HNSW 搜尋質心，提供大規模資料集的記憶體效率優勢。[1][2]
• •HFresh 僅支援 cosine 和 l2-squared 距離度量，預設距離為 cosine，且 maxPostingSizeKB 預設為 48 KB，可動態調整以控制每個 posting list 的向量數量。[1]
• •HFresh 透過 searchProbe（搜尋的 posting list 數量）和 replicas（每個向量加入的 posting list 數量）參數，平衡記憶體使用與搜尋召回率，適合高維向量和高記憶體限制環境。[2]
• •Python、JavaScript 和 Java 客戶端已新增對 HFresh 索引類型的支援，可在建立集合時透過 Configure.VectorIndex.hfresh() 配置。[3][9]

🛠️ 技術深入

• •HFresh 運作流程：1. 將向量分區成叢集，每叢集有一質心向量；2. 使用 HNSW 索引高效搜尋質心；3. 僅搜尋查詢最相關的 posting lists（叢集）。[2]
• •關鍵參數：distance (cosine 或 l2-squared)，maxPostingSizeKB (預設 48，計算每個 posting 的最大向量數)，searchProbe (控制搜尋的叢集數)，replicas (每個向量複製的叢集數)。[1][2]
• •適用場景：大規模資料集記憶體限制、高維嵌入模型、成本敏感部署；權衡記憶體與召回率，預覽版不建議生產使用，可能有重大變更。[1][2]

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線