Введение в векторный поиск и QBit

В этом руководстве вы:

Кратко познакомитесь с векторным поиском
Узнаете о приближённом поиске ближайших соседей (ANN) и Hierarchical Navigable Small World (HNSW)
Узнаете о Quantised Bit (QBit)
Используете QBit для векторного поиска на наборе данных DBPedia

Кратко о векторном поиске

В математике и физике вектор формально определяется как объект, имеющий и величину, и направление. Обычно он изображается как отрезок или стрелка в пространстве и может использоваться для представления таких величин, как скорость, сила и ускорение. В информатике вектор — это конечная последовательность чисел. Иными словами, это структура данных для хранения числовых значений. В машинном обучении векторы — это те же структуры данных, о которых говорят в информатике, но хранящиеся в них числовые значения имеют особый смысл. Когда мы берем блок текста или изображение и сводим их к ключевым понятиям, которые они выражают, этот процесс называется кодированием. Полученный результат — это машинное представление этих ключевых понятий в числовой форме. Это называется эмбеддингом и хранится в векторе. Иначе говоря, когда контекстный смысл закодирован в векторе, такой вектор можно назвать эмбеддингом. Векторный поиск сейчас используется повсюду. Он лежит в основе музыкальных рекомендаций, retrieval-augmented generation (RAG) для больших языковых моделей, где для улучшения ответов извлекаются внешние знания, и даже поиск Google в некоторой степени опирается на векторный поиск. Пользователи часто предпочитают обычные базы данных с возможностями векторного поиска узкоспециализированным векторным хранилищам, несмотря на преимущества последних. ClickHouse поддерживает поиск по векторам полным перебором, а также методы приблизительного поиска ближайших соседей (ANN), включая HNSW — текущий стандарт быстрого поиска по векторам.

Что такое эмбеддинги

Давайте рассмотрим простой пример, чтобы понять, как работает векторный поиск. Возьмём эмбеддинги (векторные представления) слов: Создайте таблицу ниже с несколькими эмбеддингами для примера:

CREATE TABLE fruit_animal
ENGINE = MergeTree
ORDER BY word
AS SELECT *
FROM VALUES(
  'word String, vec Array(Float64)',
  ('apple', [-0.99105519, 1.28887844, -0.43526649, -0.98520696, 0.66154391]),
  ('banana', [-0.69372815, 0.25587061, -0.88226235, -2.54593015, 0.05300475]),
  ('orange', [0.93338752, 2.06571317, -0.54612565, -1.51625717, 0.69775337]),
  ('dog', [0.72138876, 1.55757105, 2.10953259, -0.33961248, -0.62217325]),
  ('horse', [-0.61435682, 0.48542571, 1.21091247, -0.62530446, -1.33082533])
);

Вы можете найти слова, наиболее близкие к заданному эмбеддингу:

SELECT word, L2Distance(
  vec, [-0.88693672, 1.31532824, -0.51182908, -0.99652702, 0.59907770]
) AS distance
FROM fruit_animal
ORDER BY distance
LIMIT 5;

┌─word───┬────────────distance─┐
│ apple  │ 0.14639757188169716 │
│ banana │  1.9989613690076786 │
│ orange │   2.039041552613732 │
│ horse  │  2.7555776805484813 │
│ dog    │   3.382295083120104 │
└────────┴─────────────────────┘

Эмбеддинг запроса ближе всего к “apple” (расстояние минимально), что вполне логично, если посмотреть на оба эмбеддинга рядом:

apple:           [-0.99105519,1.28887844,-0.43526649,-0.98520696,0.66154391]
query embedding: [-0.88693672,1.31532824,-0.51182908,-0.99652702,0.5990777]

Приближённый поиск ближайших соседей (ANN)

Для больших датасетов поиск полным перебором становится слишком медленным. Здесь и используются методы приближённого поиска ближайших соседей.

Квантизация

Квантизация подразумевает приведение к числовым типам меньшего размера. Чем меньше числа, тем меньше объём данных, а чем меньше объём данных, тем быстрее вычисляются расстояния. Движок векторизованного выполнения запросов ClickHouse может за одну операцию размещать больше значений в регистрах процессора, что напрямую повышает пропускную способность. У вас есть два варианта:

Хранить квантизованную копию рядом с исходным столбцом - Это удваивает объём хранилища, зато безопасно: мы всегда можем вернуться к полной точности
Полностью заменить исходные значения (за счёт приведения при вставке) - Это экономит место и I/O, но обратного пути уже не будет

Hierarchical Navigable Small World (HNSW)

HNSW состоит из нескольких слоёв узлов (векторов). Каждый узел случайным образом назначается одному или нескольким слоям, при этом вероятность попасть на более высокий слой экспоненциально уменьшается. При поиске мы начинаем с узла на верхнем слое и жадно движемся к ближайшим соседям. Когда найти более близкий узел уже не удаётся, мы спускаемся на следующий, более плотный слой. Благодаря такой многоуровневой структуре HNSW обеспечивает логарифмическую сложность поиска относительно числа узлов.

Ограничение HNSWОсновное узкое место — память. ClickHouse использует реализацию HNSW usearch, которая представляет собой структуру данных в оперативной памяти и не поддерживает разбиение. В результате более крупные датасеты требуют пропорционально большего объёма оперативной памяти.

Сравнение подходов

Категория	Полный перебор	HNSW	QBit
Точность	Идеальная	Отличная	Гибкая
Скорость	Медленный	Быстрый	Гибкий
Прочее	Квантование: больше места или необратимая потеря точности	Индекс должен помещаться в память и быть построен заранее	Всё ещё O(#records)

Подробно о QBit

Quantised Bit (QBit)

QBit — это новая структура данных, способная хранить значения BFloat16, Float32 и Float64, используя особенности представления чисел с плавающей запятой — в виде битов. Вместо хранения каждого числа целиком QBit разбивает значения на битовые плоскости: все первые биты, все вторые биты, все третьи биты и так далее. Этот подход устраняет главное ограничение традиционного квантования. Не нужно хранить дублирующиеся данные или рисковать тем, что значения потеряют смысл. Он также позволяет избежать узких мест HNSW, связанных с оперативной памятью, поскольку QBit работает напрямую с хранимыми данными, а не поддерживает индекс в памяти.

ПреимуществоЧто особенно важно, не нужно принимать решения заранее. Точность и производительность можно динамически настраивать во время выполнения запроса, что позволяет пользователям с минимальными усилиями находить баланс между точностью и скоростью.

ОграничениеХотя QBit ускоряет векторный поиск, его вычислительная сложность по-прежнему составляет O(n). Иными словами, если ваш набор данных достаточно мал и индекс HNSW без проблем помещается в оперативной памяти, это всё ещё самый быстрый вариант.

Тип данных

Ниже показано, как создать столбец QBit:

SET allow_experimental_qbit_type = 1;
CREATE TABLE fruit_animal
(
  word String,
  vec QBit(Float64, 5)
)
ENGINE = MergeTree
ORDER BY word;

INSERT INTO fruit_animal VALUES
('apple',  [-0.99105519, 1.28887844, -0.43526649, -0.98520696, 0.66154391]),
('banana', [-0.69372815, 0.25587061, -0.88226235, -2.54593015, 0.05300475]),
('orange', [0.93338752, 2.06571317, -0.54612565, -1.51625717, 0.69775337]),
('dog',    [0.72138876, 1.55757105, 2.10953259, -0.33961248, -0.62217325]),
('horse',  [-0.61435682, 0.48542571, 1.21091247, -0.62530446, -1.33082533]);

При вставке данных в столбец QBit они транспонируются так, чтобы все первые биты располагались вместе, все вторые — вместе и так далее. Мы называем их группами. Каждая группа хранится в отдельном столбце FixedString(N): в виде строк фиксированной длины по N байт, последовательно расположенных в памяти без разделителей между ними. Затем все такие группы объединяются в один Tuple, который лежит в основе структуры QBit. Пример: Если взять вектор из 8 элементов Float64, каждая группа будет содержать 8 бит. Поскольку Float64 состоит из 64 бит, в итоге получается 64 группы (по одной на каждый бит). Следовательно, внутренняя структура QBit(Float64, 8) выглядит как Tuple из 64 столбцов FixedString(1).

Если длина исходного вектора не делится на 8 без остатка, структура дополняется невидимыми элементами, чтобы длина стала кратной 8. Это обеспечивает совместимость с FixedString, который работает строго с полными байтами.

Вычисление расстояния

Чтобы выполнять запросы с помощью QBit, используйте функцию L2DistanceTransposed с параметром точности:

SELECT
  word,
  L2DistanceTransposed(vec, [-0.88693672, 1.31532824, -0.51182908, -0.99652702, 0.59907770], 16) AS distance
FROM fruit_animal
ORDER BY distance;

┌─word───┬────────────distance─┐
│ apple  │ 0.15196434766705247 │
│ banana │   1.966091150410285 │
│ orange │  1.9864477714218596 │
│ horse  │  2.7306267946594005 │
│ dog    │  3.2849989362383165 │
└────────┴─────────────────────┘

Третий параметр (16) задаёт точность в битах.

Оптимизация I/O

Прежде чем вычислять расстояния, нужно прочитать необходимые данные с диска, а затем выполнить обратное транспонирование (то есть преобразовать сгруппированное битовое представление обратно в полные векторы). Поскольку QBit хранит значения в битово-транспонированном виде по уровням точности, ClickHouse может считывать только те старшие битовые плоскости, которые нужны для восстановления чисел с требуемой точностью. В запросе выше мы используем уровень точности 16. Поскольку Float64 состоит из 64 бит, мы считываем только первые 16 битовых плоскостей, пропуская 75 % данных. После чтения мы восстанавливаем только старшую часть каждого числа по загруженным битовым плоскостям, а непрочитанные биты оставляем обнулёнными.

Оптимизация вычислений

Можно задаться вопросом, позволит ли приведение к меньшему типу, например Float32 или BFloat16, избавиться от этой неиспользуемой части. Это действительно работает, но явные приведения слишком затратны, если выполнять их для каждой строки. Вместо этого можно понизить тип только для опорного вектора и обрабатывать данные QBit так, как будто они содержат значения более узких типов («забывая» о существовании некоторых столбцов), поскольку их структура часто соответствует усечённой версии этих типов.

Оптимизация BFloat16

BFloat16 — это Float32, усечённый вдвое. Он сохраняет тот же знаковый бит и 8-битный экспонент, но только старшие 7 бит из 23-битной мантиссы. Благодаря этому чтение первых 16 битовых плоскостей из столбца QBit фактически воспроизводит структуру значений BFloat16. Поэтому в этом случае мы можем безопасно преобразовать эталонный вектор в BFloat16 — и именно так и делаем.

Сложность Float64

Однако с Float64 всё обстоит иначе. Он использует 11-битный порядок и 52-битную мантиссу, то есть это не просто Float32 с вдвое большим количеством битов. Его структура и смещение порядка полностью отличаются. Преобразование Float64 в меньший формат, такой как Float32, требует полноценного преобразования по IEEE-754, при котором каждое значение округляется до ближайшего представимого значения Float32. Этот этап округления требует значительных вычислительных затрат.

Если вас интересует более глубокий разбор аспектов производительности QBit, см. “Let’s vectorize”

Пример с DBpedia

Посмотрим, как QBit работает на реальном примере с использованием набора данных DBpedia, содержащего 1 миллион статей из Википедии, представленных в виде векторов Float32.

Настройка

Сначала создайте таблицу

CREATE TABLE dbpedia
(
  id      String,
  title   String,
  text    String,
  vector  Array(Float32) CODEC(NONE)
) ENGINE = MergeTree ORDER BY (id);

Вставьте данные через командную строку:

for i in $(seq 0 25); do
  echo "Обработка файла ${i}..."
  clickhouse client -q "INSERT INTO dbpedia SELECT _id, title, text, \"text-embedding-3-large-1536-embedding\" FROM url('https://huggingface.co/api/datasets/Qdrant/dbpedia-entities-openai3-text-embedding-3-large-1536-1M/parquet/default/train/${i}.parquet') SETTINGS max_http_get_redirects=5,enable_url_encoding=0;"
  echo "Файл ${i} обработан."
done

Вставка данных может занять некоторое время. Самое время сделать перерыв на кофе!

Либо можно выполнить отдельные SQL-команды, как показано ниже, чтобы загрузить каждый из 25 файлов Parquet:

INSERT INTO dbpedia SELECT _id, title, text, "text-embedding-3-large-1536-embedding" FROM url('https://huggingface.co/api/datasets/Qdrant/dbpedia-entities-openai3-text-embedding-3-large-1536-1M/parquet/default/train/0.parquet') SETTINGS max_http_get_redirects=5,enable_url_encoding=0;
INSERT INTO dbpedia SELECT _id, title, text, "text-embedding-3-large-1536-embedding" FROM url('https://huggingface.co/api/datasets/Qdrant/dbpedia-entities-openai3-text-embedding-3-large-1536-1M/parquet/default/train/1.parquet') SETTINGS max_http_get_redirects=5,enable_url_encoding=0;
...
INSERT INTO dbpedia SELECT _id, title, text, "text-embedding-3-large-1536-embedding" FROM url('https://huggingface.co/api/datasets/Qdrant/dbpedia-entities-openai3-text-embedding-3-large-1536-1M/parquet/default/train/25.parquet') SETTINGS max_http_get_redirects=5,enable_url_encoding=0;

Убедитесь, что в таблице dbpedia виден 1 миллион строк:

SELECT count(*)
FROM dbpedia

┌─count()─┐
│ 1000000 │
└─────────┘

Затем добавьте столбец QBit:

SET allow_experimental_qbit_type = 1;

-- Предполагается, что у вас есть таблица с эмбеддингами Float32
ALTER TABLE dbpedia ADD COLUMN qbit QBit(Float32, 1536);
ALTER TABLE dbpedia UPDATE qbit = vector WHERE 1;

Поисковый запрос

Мы будем искать понятия, наиболее связанные со всеми поисковыми терминами на космическую тему: Moon, Apollo 11, Space Shuttle, Astronaut, Rocket:

SELECT
    title,
    text,
    COUNT(DISTINCT concept) AS num_concepts_matched,
    MIN(distance) AS min_distance,
    AVG(distance) AS avg_distance
FROM (
         (
             SELECT title, text, 'Moon' AS concept,
                    L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Moon'), 5) AS distance
             FROM dbpedia
             WHERE title != 'Moon'
             ORDER BY distance ASC
                 LIMIT 1000
         )
         UNION ALL
         (
             SELECT title, text, 'Apollo 11' AS concept,
                    L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Apollo 11'), 5) AS distance
             FROM dbpedia
             WHERE title != 'Apollo 11'
             ORDER BY distance ASC
                 LIMIT 1000
         )
         UNION ALL
         (
             SELECT title, text, 'Space Shuttle' AS concept,
                    L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Space Shuttle'), 5) AS distance
             FROM dbpedia
             WHERE title != 'Space Shuttle'
             ORDER BY distance ASC
                 LIMIT 1000
         )
         UNION ALL
         (
             SELECT title, text, 'Astronaut' AS concept,
                    L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Astronaut'), 5) AS distance
             FROM dbpedia
             WHERE title != 'Astronaut'
             ORDER BY distance ASC
                 LIMIT 1000
         )
         UNION ALL
         (
             SELECT title, text, 'Rocket' AS concept,
                    L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Rocket'), 5) AS distance
             FROM dbpedia
             WHERE title != 'Rocket'
             ORDER BY distance ASC
                 LIMIT 1000
         )
     )
WHERE title NOT IN ('Moon', 'Apollo 11', 'Space Shuttle', 'Astronaut', 'Rocket')
GROUP BY title, text
HAVING num_concepts_matched >= 3
ORDER BY num_concepts_matched DESC, min_distance ASC
    LIMIT 10;

Запрос ищет 1000 записей, наиболее семантически близких к каждому из пяти понятий. Он возвращает записи, которые встречаются как минимум в трёх из этих результатов, ранжируя их по числу понятий, которым они соответствуют, и по минимальному расстоянию до любого из этих понятий (исключая исходные записи). Используя всего 5 битов (1 бит знака + 4 бита экспоненты, нулевая мантисса):

Row 1:
──────
title:                Aintree railway station
text:                 For a guide to the various Aintree stations that have existed and their relationship to each other see Aintree Stations.Aintree railway station is a railway station in Aintree, Merseyside, England.  It is on the Ormskirk branch of the Merseyrail network's Northern Line.  Until 1968 it was known as Aintree Sefton Arms after a nearby public house. The station's design reflects the fact it is the closest station to Aintree Racecourse, where the annual Grand National horse race takes place.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 2:
──────
title:                AP German Language
text:                 Advanced Placement German Language (also known as AP German Language or AP German) is a course and examination provided by the College Board through the Advanced Placement Program. This course  is designed to give high school students the opportunity to receive credit in a college-level German language course.Originally the College Board had offered two AP German exams, one with AP German Language and another with AP German Literature.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 3:
──────
title:                Adelospondyli
text:                 Adelospondyli is an order of elongate, presumably aquatic, Carboniferous amphibians.  The skull is solidly roofed, and elongate, with the orbits located very far forward.  The limbs are well developed.  Most adelospondyls belong to the family Adelogyrinidae, although the adelospondyl Acherontiscus has been placed in its own family, Acherontiscidae. The group is restricted to the Mississippian (Serpukhovian Age) of Scotland.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 4:
──────
title:                Adrien-Henri de Jussieu
text:                 Adrien-Henri de Jussieu (23 December 1797 – 29 June 1853) was a French botanist.Born in Paris as the son of botanist Antoine Laurent de Jussieu, he received the degree of Doctor of Medicine in 1824 with a treatise of the plant family Euphorbiaceae.  When his father retired in 1826, he succeeded him at the Jardin des Plantes; in 1845 he became professor of organography of plants.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 5:
──────
title:                Alan Taylor (footballer, born 1953)
text:                 Alan Taylor (born 14 November 1953) is an English former professional footballer best known for his goalscoring exploits with West Ham United in their FA Cup success of 1975, culminating in two goals in that season's final.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 6:
──────
title:                Abstract algebraic logic
text:                 In mathematical logic, abstract algebraic logic is the study of the algebraization of deductive systemsarising as an abstraction of the well-known Lindenbaum-Tarski algebra, and how the resulting algebras are related to logical systems.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 7:
──────
title:                Ahsan Saleem Hyat
text:                 General Ahsan Saleem Hayat (Urdu: احسن سلیم حیات; born 10 January 1948), is a retired four-star general who served as the vice chief of army staff of the Pakistan Army from 2004 until his retirement in 2007. Prior to that, he served as the operational field commander of the V Corps in Sindh Province and was a full-tenured professor of war studies at the National Defence University. He was succeeded by General Ashfaq Parvez Kayani on 8 October 2007.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 8:
──────
title:                Al Wafa al Igatha al Islamia
text:                 There is another organization named Al Wafa (Israel), a charity, in Israel, devoted to womenThere is another organization Jamaiat Al-Wafa LiRayat Al-Musenin which is proscribed by the Israeli government.Al Wafa is an Islamic charity listed in Executive Order 13224 as an entity that supports terrorism.United States intelligence officials state that it was founded in Afghanistan by Adil Zamil Abdull Mohssin Al Zamil,Abdul Aziz al-Matrafi and Samar Khand.According to Saad Madai Saad al-Azmi's Combatant Status Review Tribunal Al Wafa is located in the Wazir Akhbar Khan area ofAfghanistan.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 9:
───────
title:                Alex Baumann
text:                 Alexander Baumann, OC OOnt (born April 21, 1964) is a Canadian former competitive swimmer who won two gold medals and set two world records at the 1984 Summer Olympics in Los Angeles.Born in Prague (former Czechoslovakia), Baumann was raised in Canada after his family moved there in 1969 following the Prague Spring.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

Row 10:
───────
title:                Alberni-Clayoquot Regional District
text:                 The Alberni-Clayoquot Regional District (2006 population 30,664) of British Columbia is located on west central Vancouver Island.  Adjacent regional districts it shares borders with are the Strathcona and Comox Valley Regional Districts to the north, and the Nanaimo and Cowichan Valley Regional Districts to the east. The regional district offices are located in Port Alberni.
num_concepts_matched: 5
min_distance:         0.9971279086553189
avg_distance:         0.9972260772085877

10 rows in set. Elapsed: 0.542 sec. Processed 5.01 million rows, 1.86 GB (9.24 million rows/s., 3.43 GB/s.)
Peak memory usage: 327.04 MiB.

Производительность: 10 строк в результате. Время выполнения: 0.271 сек. Обработано 8.46 млн строк, 4.54 GB (31.19 млн строк/с, 16.75 GB/с.) Пиковое потребление памяти: 739.82 MiB.

Сравните производительность с полным перебором

SELECT 
    title,
    text,
    COUNT(DISTINCT concept) AS num_concepts_matched,
    MIN(distance) AS min_distance,
    AVG(distance) AS avg_distance
FROM (
    (
        SELECT title, text, 'Moon' AS concept,
               L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Moon'), 5) AS distance
        FROM dbpedia
        WHERE title != 'Moon'
        ORDER BY distance ASC
        LIMIT 1000
    )
    UNION ALL
    (
        SELECT title, text, 'Apollo 11' AS concept,
               L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Apollo 11'), 5) AS distance
        FROM dbpedia
        WHERE title != 'Apollo 11'
        ORDER BY distance ASC
        LIMIT 1000
    )
    UNION ALL
    (
        SELECT title, text, 'Space Shuttle' AS concept,
               L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Space Shuttle'), 5) AS distance
        FROM dbpedia
        WHERE title != 'Space Shuttle'
        ORDER BY distance ASC
        LIMIT 1000
    )
    UNION ALL
    (
        SELECT title, text, 'Astronaut' AS concept,
               L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Astronaut'), 5) AS distance
        FROM dbpedia
        WHERE title != 'Astronaut'
        ORDER BY distance ASC
        LIMIT 1000
    )
    UNION ALL
    (
        SELECT title, text, 'Rocket' AS concept,
               L2DistanceTransposed(qbit, (SELECT vector FROM dbpedia WHERE title = 'Rocket'), 5) AS distance
        FROM dbpedia
        WHERE title != 'Rocket'
        ORDER BY distance ASC
        LIMIT 1000
    )
)
WHERE title NOT IN ('Moon', 'Apollo 11', 'Space Shuttle', 'Astronaut', 'Rocket')
GROUP BY title, text
HAVING num_concepts_matched >= 3
ORDER BY num_concepts_matched DESC, min_distance ASC
LIMIT 10;

Row 1:
──────
title:                Apollo program
text:                 The Apollo program, also known as Project Apollo, was the third United States human spaceflight program carried out by the National Aeronautics and Space Administration (NASA), which accomplished landing the first humans on the Moon from 1969 to 1972. First conceived during Dwight D. Eisenhower's administration as a three-man spacecraft to follow the one-man Project Mercury which put the first Americans in space, Apollo was later dedicated to President John F.
num_concepts_matched: 4
min_distance:         0.82420665
avg_distance:         1.0207901149988174

Row 2:
──────
title:                Apollo 8
text:                 Apollo 8, the second human spaceflight mission in the United States Apollo space program, was launched on December 21, 1968, and became the first manned spacecraft to leave Earth orbit, reach the Earth's Moon, orbit it and return safely to Earth.
num_concepts_matched: 4
min_distance:         0.8285278
avg_distance:         1.0357224345207214

Row 3:
──────
title:                Lunar Orbiter 1
text:                 The Lunar Orbiter 1 robotic (unmanned) spacecraft, part of the Lunar Orbiter Program, was the first American spacecraft to orbit the Moon.  It was designed primarily to photograph smooth areas of the lunar surface for selection and verification of safe landing sites for the Surveyor and Apollo missions. It was also equipped to collect selenodetic, radiation intensity, and micrometeoroid impact data.The spacecraft was placed in an Earth parking orbit on August 10, 1966 at 19:31 (UTC).
num_concepts_matched: 4
min_distance:         0.94581836
avg_distance:         1.0584313124418259

Row 4:
──────
title:                Apollo (spacecraft)
text:                 The Apollo spacecraft was composed of three parts designed to accomplish the American Apollo program's goal of landing astronauts on the Moon by the end of the 1960s and returning them safely to Earth.  The expendable (single-use) spacecraft consisted of a combined Command/Service Module (CSM) and a Lunar Module (LM).
num_concepts_matched: 4
min_distance:         0.9643517
avg_distance:         1.0367188602685928

Row 5:
──────
title:                Surveyor 1
text:                 Surveyor 1 was the first lunar soft-lander in the unmanned  Surveyor program of the National Aeronautics and Space Administration (NASA, United States). This lunar soft-lander gathered data about the lunar surface that would be needed for the manned Apollo Moon landings that began in 1969.
num_concepts_matched: 4
min_distance:         0.9738264
avg_distance:         1.0988530814647675

Row 6:
──────
title:                Spaceflight
text:                 Spaceflight (also written space flight) is ballistic flight into or through outer space. Spaceflight can occur with spacecraft with or without humans on board. Examples of human spaceflight include the Russian Soyuz program, the U.S. Space shuttle program, as well as the ongoing International Space Station. Examples of unmanned spaceflight include space probes that leave Earth orbit, as well as satellites in orbit around Earth, such as communications satellites.
num_concepts_matched: 4
min_distance:         0.9831049
avg_distance:         1.060678943991661

Row 7:
──────
title:                Skylab
text:                 Skylab was a space station launched and operated by NASA and was the United States' first space station. Skylab orbited the Earth from 1973 to 1979, and included a workshop, a solar observatory, and other systems. It was launched unmanned by a modified Saturn V rocket, with a weight of 169,950 pounds (77 t).  Three manned missions to the station, conducted between 1973 and 1974 using the Apollo Command/Service Module (CSM) atop the smaller Saturn IB, each delivered a three-astronaut crew.
num_concepts_matched: 4
min_distance:         0.99155205
avg_distance:         1.0769911855459213

Row 8:
──────
title:                Orbital spaceflight
text:                 An orbital spaceflight (or orbital flight) is a spaceflight in which a spacecraft is placed on a trajectory where it could remain in space for at least one orbit. To do this around the Earth, it must be on a free trajectory which has an altitude at perigee (altitude at closest approach) above 100 kilometers (62 mi) (this is, by at least one convention, the boundary of space).  To remain in orbit at this altitude requires an orbital speed of ~7.8 km/s.
num_concepts_matched: 4
min_distance:         1.0075209
avg_distance:         1.085978478193283

Row 9:
───────
title:                Dragon (spacecraft)
text:                 Dragon is a partially reusable spacecraft developed by SpaceX, an American private space transportation company based in Hawthorne, California. Dragon is launched into space by the SpaceX Falcon 9 two-stage-to-orbit launch vehicle, and SpaceX is developing a crewed version called the Dragon V2.During its maiden flight in December 2010, Dragon became the first commercially built and operated spacecraft to be recovered successfully from orbit.
num_concepts_matched: 4
min_distance:         1.0222818
avg_distance:         1.0942841172218323

Row 10:
───────
title:                Space capsule
text:                 A space capsule is an often manned spacecraft which has a simple shape for the main section, without any wings or other features to create lift during atmospheric reentry.Capsules have been used in most of the manned space programs to date, including the world's first manned spacecraft Vostok and Mercury, as well as in later Soviet Voskhod, Soyuz, Zond/L1, L3, TKS, US Gemini, Apollo Command Module, Chinese Shenzhou and US, Russian and Indian manned spacecraft currently being developed.
num_concepts_matched: 4
min_distance:         1.0262821
avg_distance:         1.0882147550582886

Производительность: 10 строк в наборе. Время выполнения: 1,157 сек. Обработано 10,00 млн строк, 32,76 ГБ (8,64 млн строк/с., 28,32 ГБ/с.) Пиковое потребление памяти: 6,05 ГиБ.

Ключевая идея

Каков результат? Не просто хороший. Удивительно хороший. Неочевидно, что числа с плавающей запятой, полностью лишённые мантиссы и половины экспоненты, всё ещё могут сохранять значимую информацию. Ключевая идея QBit в том, что векторный поиск продолжает работать, даже если игнорировать незначащие биты. Использование памяти сократилось с 6.05 GB до 740 MB при сохранении отличного качества семантического поиска!

Заключение

QBit — это тип столбца, который хранит числа с плавающей точкой в виде битовых плоскостей. Он позволяет выбирать, сколько битов считывать при векторном поиске, настраивая полноту и производительность без изменения данных. У каждого метода векторного поиска есть свои параметры, которые задают компромисс между полнотой, точностью и производительностью. Обычно их нужно выбирать заранее. Если ошибиться, можно впустую потратить много времени и ресурсов, а позже сменить подход будет непросто. С QBit принимать такие решения заранее не нужно. Вы можете настраивать компромисс между точностью и скоростью прямо во время выполнения запроса, подбирая нужный баланс по ходу дела.

Адаптировано из поста в блоге Рауфса Дунамалиевса, опубликованного 28 октября 2025 года

​Кратко о векторном поиске

​Что такое эмбеддинги

​Приближённый поиск ближайших соседей (ANN)

​Квантизация

​Hierarchical Navigable Small World (HNSW)

​Сравнение подходов

​Подробно о QBit

​Quantised Bit (QBit)

​Тип данных

​Вычисление расстояния

​Оптимизация I/O

​Оптимизация вычислений

​Оптимизация BFloat16

​Сложность Float64

​Пример с DBpedia

​Настройка

​Поисковый запрос

​Ключевая идея

​Заключение

Кратко о векторном поиске

Что такое эмбеддинги

Приближённый поиск ближайших соседей (ANN)

Квантизация

Hierarchical Navigable Small World (HNSW)

Сравнение подходов

Подробно о QBit

Quantised Bit (QBit)

Тип данных

Вычисление расстояния

Оптимизация I/O

Оптимизация вычислений

Оптимизация BFloat16

Сложность Float64

Пример с DBpedia

Настройка

Поисковый запрос

Ключевая идея

Заключение