# 检索为什么能缓存：每张图编码一次，查询再比较
[独立阅读](/course/blocks/retrieval-cache-interface.html)**课堂上下文：从哪个问题来**
检索把同一个比较空间用于一组已有图片。图库向量可复用，查询只需编码一次再搜索；页面前三张结果来自已有真实缓存。工作量、相关性指标和近似索引在说明与 LAB12 中展开；检索系统的进一步组织留待第八讲。


设图库有 $N$ 张图，收到 $Q$ 条文字查询。双编码器的图像输出不依赖当前查询，所以可以先计算图库矩阵 $V\in\mathbb R^{N\times d}$，查询到来时只计算文字向量 $u$，再用 $Vu$ 得分。这把“理解输入的深度编码”和“在现有表示中比较”分成两段。



若每个图文对都重新分别编码，需 $NQ$ 次图片样本编码和 $NQ$ 次文字样本编码；有缓存则是 $N+Q$。本课程 $N=24,Q=12$，两者为 576 与 36 次样本编码。它是解析工作量，不是秒数；一个批次调用可以同时编码多个样本。



缓存并没有消除搜索本身。exact 查询仍要与全部 $N$ 向量做点积；float32 图库矩阵占 $4Nd$ 字节。本例 $24\times512\times4=49,152$ 字节，不含图片、模型、ID 与索引。改变 checkpoint、预处理或图片内容需要重建对应缓存；只新增文字候选不改变旧图片向量。



P59 使用已有 24 项缓存显示猫查询的前三项：`chelsea-center90`、`chelsea-full`、`chelsea-right90`。24 项其实来自六张照片的四种相关裁剪，不能当成 24 张独立语义样本。它足以观察排名与缓存复用；更大的索引工程属于第八讲和 LAB12 的选读部分。



图内标签与数值：6 张来源照片 × 4 个相关视图 = 24 项；查询：“a photo of a cat.”；文字编码一次；与 24 个已保存图像向量比较；1   chelsea-center90；2   chelsea-full；3   chelsea-right90；已有结果：精确检索的前三项都是猫图变体；复用 2026-09-22 本地真实 CLIP 缓存；24 项含相关裁剪，不是 24 个独立来源。本轮未运行模型。

查询对应的前三张结果来自已经保存的真实 CLIP 缓存。 查看对应图解状态

- 6 张来源照片 × 4 个相关视图 = 24 项
- 查询：“a photo of a cat.”
- 文字编码一次
- 与 24 个已保存图像向量比较
- 1 chelsea-center90
- 2 chelsea-full
- 3 chelsea-right90
- 已有结果：精确检索的前三项都是猫图变体
- 复用 2026-09-22 本地真实 CLIP 缓存；24 项含相关裁剪，不是 24 个独立来源。本轮未运行模型。查询对应的前三张结果来自已经保存的真实 CLIP 缓存。 [查看对应图解状态](/#/l3-r2-p59/0)[查看完整图解](/#/l3-r2-p59/0)

## 继续阅读与实验