向量相似性搜索中的距离比较运算并非银弹：基于DCO方法的基准研究
数据库
2026-04-06 v1
摘要
距离比较运算（DCO）用于决定数据向量与查询之间距离是否在阈值范围内，是向量相似性搜索中的关键性能瓶颈。最近一批规避完整维度距离计算的DCO方法承诺可实现显著加速，但其在生产级向量数据库系统中的就绪状态尚存未知问题。为此，我们对8种DCO算法进行了全面基准测试，涵盖10个数据集（最高达1亿向量，12,288维）和多种硬件配置（带SIMD的CPU、无SIMD的CPU以及GPU）。我们的研究表明，这些方法并非银弹：其效率对数据维度高度敏感，在分布外查询下性能下降，且在不同硬件间不稳定。然而，我们的评估也常被忽视地揭示了显著优势：它们可加速索引构建和数据更新。尽管有这些好处，但其不稳定的性能（甚至可能慢于完整维度扫描），导致我们得出结论：近期DCO算法的算法性突破尚未准备好投入生产部署。
引用
@article{arxiv.2604.02801,
title = {Distance Comparison Operations Are Not Silver Bullets in Vector Similarity Search: A Benchmark Study on Their Merits and Limits},
author = {Zhuanglin Zheng and Yuxiang Zeng and Chenchen Liu and Yunzhen Chi and Binhan Yang and Yongxin Tong},
journal= {arXiv preprint arXiv:2604.02801},
year = {2026}
}
备注
To appear in 42nd IEEE International Conference on Data Engineering (ICDE) 2026