USearch项目中整数8位索引与内积度量的性能问题分析

问题背景

USearch作为一款高效的向量搜索库，在最近版本中出现了关于整数8位(i8)索引类型与内积(MetricKind.InnerProduct)度量结合使用时的问题。多位开发者在实际应用中发现，当使用i8数据类型配合内积度量时，搜索结果的质量显著下降，召回率比使用浮点16位(f16)类型低约10%，且距离计算结果出现异常。

问题表现

开发者通过对比测试发现以下异常现象：

1. 使用i8索引和内积度量时，返回的top-k结果与预期不符
2. 距离值出现负数和异常大的数值
3. 召回率显著低于使用f16/f32数据类型的相同配置
4. 添加嵌入向量的速度明显变慢

测试数据显示，在相同HNSW参数配置下(连接数32，扩展添加128，扩展搜索64)，不同实现的召回率对比：

• usearch f16(ip): 0.98672
• usearch i8(l2sq): 0.91227
• usearch i8(cos): 0.76728
• qdrant int8: 0.96034
• faiss int8: 0.98278

技术分析

深入分析后发现几个关键问题点：

1. 量化范围限制：USearch内部将i8值范围限制在[-100,100]而非完整的[-128,127]，导致约20%的潜在信息丢失。这种设计虽然避免了溢出风险，但牺牲了部分精度。

2. 输入向量缩放要求：USearch期望输入向量值在[-1.0,1.0]范围内，然后线性缩放到整数范围。若输入超出此范围，会导致量化错误和距离计算异常。

3. 内积度量实现问题：文档说明内积度量应计算"1 - dot(a,b)"，但实际实现似乎计算的是"dot(a,b)/||a|| ||b||"，这与预期行为不符，特别是在i8量化场景下导致距离计算错误。

4. 基准测试脚本问题：项目中的基准测试脚本存在groundtruth形状处理错误，导致召回率计算结果不准确。

解决方案与最佳实践

针对这些问题，开发者可以采取以下措施：

1. 输入向量预处理：确保所有输入向量值在[-1.0,1.0]范围内，并进行归一化处理。

2. 度量选择：对于归一化后的向量，优先考虑使用余弦相似度而非内积，因为两者在数学上等价但实现更稳定。

3. 数据类型选择：在精度要求高的场景下，优先使用f16而非i8，除非存储空间是首要考虑因素。

4. 结果验证：实现自定义的距离计算验证逻辑，确保USearch返回的距离值与预期一致。

性能优化建议

对于必须使用i8量化的场景：

1. 实现自定义的量化方案，充分利用完整的i8值范围[-128,127]
2. 考虑使用二进制量化(b1)和汉明距离作为替代方案
3. 对量化后的结果进行重打分(rescore)以提高精度

总结

USearch的i8索引与内积度量组合存在实现上的问题，主要源于量化范围限制和距离计算实现的差异。开发者在使用时应充分了解这些限制，通过适当的预处理和配置选择来规避问题。对于关键应用场景，建议进行充分的测试验证，或暂时使用f16/f32数据类型作为替代方案。

项目维护者已注意到这些问题，并在文档中增加了相关说明，未来版本可能会进一步优化i8量化的实现方式。开发者社区可以持续关注项目更新，以获得更稳定的整数量化支持。