[LAB 12 · CLIP延伸：缓存与检索（近似索引选读）](/course/notebooks/921eeaf784284ce19568c6ca7619b55a.html)

# 选读结果：近似索引，不是第三讲新增主讲段
[独立阅读](/course/notebook-blocks/9a00ee8cea714be583e46603becc2e69.html)
并入相关学习路径

同一CLIP缓存、exact/IVF搜索、延迟/扫描量、区域交互基线

**选读结果：近似索引，不是第三讲新增主讲段。**

| 方法 | 平均扫描图片向量 | exact top-3 重合率 | 语义 Hit@3 | 12查询中位耗时 / p95，ms |
| --- | --- | --- | --- | --- |
| exact | 24 | 1.0000 | 1.0000 | 0.0456 / 0.0609 |
| IVF nprobe=1 | 4.17 | 0.7778 | 1.0000 | 0.1016 / 0.1672 |
| IVF nprobe=2 | 7.67 | 1.0000 | 1.0000 | 0.1084 / 0.2591 |
| IVF nprobe=4 | 13.25 | 1.0000 | 1.0000 | 0.1185 / 0.1837 |
| IVF nprobe=8 | 24.00 | 1.0000 | 1.0000 | 0.1370 / 0.2236 |

这是2026-09-22 本地 CPU 的保存实测，不是解析复杂度。NumPy 2.3.5，单 BLAS 线程；每个样本点运行全部 12 查询，预热 20 次，测量 100 次。计时包括 Python 循环、路由、候选抽取和排序，排除磁盘读写、编码和索引构建。完整 BLAS 信息及索引构建时间见 `verified/retrieval-results.json`。

`nprobe=1` 的 exact 邻居重合率只有 0.7778，但语义 Hit@3 仍是 1：有些同源裁剪被漏掉，仍有另一个正确类别裁剪留下。这直接说明两种指标回答不同问题。`nprobe=2` 在这个小集恢复全部 exact 前三；它不保证其他数据也如此。

所有 ANN 配置都比 exact 慢，因为图库仅 24 项，矩阵点积太便宜，Python 桶访问和排序开销更突出。扫描数下降并不自动意味着延迟下降。共享CPU的调度也会影响这些微小耗时。大库里是否更快必须再测；不得把此处计算次数乘一个任意常数作为“毫秒”。