[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-vector-quantization::ru":3,"gloss-cluster-vector-quantization::ru":25,"gloss-next-vector-quantization::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"vector-quantization","data-infra","Векторное квантование (vector quantization)","Векторное квантование — семейство методов сжатия, которые уменьшают эмбеддинги, чтобы векторный индекс занимал меньше памяти и искал быстрее. Сырой эмбеддинг может состоять из 1536 чисел float32 — около 6 КБ каждый; на десяти миллионах векторов это 60 ГБ ОЗУ. Квантование приближает каждый вектор куда меньшим кодом: скалярное квантование снижает точность (с float32 до int8), а произведённое квантование делит вектор на части и заменяет каждую идентификатором ближайшего центроида.\n\nКомпромисс — точность в обмен на стоимость. Сжатые векторы дают чуть менее точные результаты поиска ближайших соседей, но зачастую достаточно близкие — а большую часть потерь можно вернуть, переранжировав лучших кандидатов по полноточным векторам.\n\nДля SaaS-разработчиков, запускающих RAG или семантический поиск на масштабе, квантование — это разница между индексом, который помещается в ОЗУ, и тем, который нет. На практике: измеряйте полноту (recall) на своих же запросах до и после — приемлемый компромисс зависит от нагрузки, а не универсален.","Векторное квантование сжимает эмбеддинги, чтобы индекс занимал куда меньше ОЗУ и искал быстрее: десять миллионов float32 из 60 ГБ падают до доли этого.",null,[11,14,17,20,22],{"slug":12,"name":13},"ann-search","ANN-поиск (приближённый поиск ближайших соседей)",{"slug":15,"name":16},"embedding-index","Индекс эмбеддингов (Embedding Index)",{"slug":18,"name":19},"hnsw","HNSW (иерархический навигируемый малый мир)",{"slug":21,"name":21},"pgvector",{"slug":23,"name":24},"vector-store","Векторное хранилище (Vector Store)",[26,30,31,34,37,41,44,47,50,53,57,60],{"slug":27,"category":5,"name":28,"updated_at":29},"acid","ACID","2026-08-24T02:46:37+00:00",{"slug":12,"category":5,"name":13,"updated_at":29},{"slug":32,"category":5,"name":33,"updated_at":29},"backpressure","Обратное давление (backpressure)",{"slug":35,"category":5,"name":36,"updated_at":29},"batch-processing","Пакетная обработка (Batch Processing)",{"slug":38,"category":5,"name":39,"updated_at":40},"bm25","BM25","2026-08-24T02:46:38+00:00",{"slug":42,"category":5,"name":43,"updated_at":29},"cache","Кэш (Cache)",{"slug":45,"category":5,"name":46,"updated_at":29},"cap-theorem","Теорема CAP (CAP theorem)",{"slug":48,"category":5,"name":49,"updated_at":29},"change-data-capture","Захват изменений данных (CDC)",{"slug":51,"category":5,"name":52,"updated_at":29},"chroma","Chroma",{"slug":54,"category":5,"name":55,"updated_at":56},"chunk-overlap","Перекрытие фрагментов","2026-08-24T03:30:02+00:00",{"slug":58,"category":5,"name":59,"updated_at":29},"columnar-storage","Колоночное хранение",{"slug":61,"category":5,"name":62,"updated_at":29},"connection-pooling","Пулинг соединений (Connection Pooling)"]