如果您在生產環境中運行向量工作負載，您可能已經熟悉Qdrant中的壓縮梯度：float32是基準，標量量化（SQ）將向量壓縮4倍且幾乎不損失召回率，二進制量化（BQ）則以16倍或32倍壓縮打包向量。
Qdrant 1.18引入了TurboQuant，這是Google Research提出的一種基於旋轉的向量量化方法，並進行了擴展以使其適用於實際生產環境中的嵌入。基準測試結果顯示，TurboQuant在多個公開嵌入數據集上表現優異：4位TurboQuant與SQ競爭激烈，在大多數數據集上相差約1-2個百分點，有時甚至領先SQ（當SQ的int8網格難以適應嵌入分佈時）。2位和1位TurboQuant在匹配BQ存儲預算的同時，始終提供更高的召回率。
建議很簡單：如果您當前使用SQ或BQ，請在數據的測試子集上嘗試等效的TurboQuant配置。只需更改配置並重新索引即可。收益取決於您的起點：從SQ切換到TQ 4位可在競爭性召回率下節省一半存儲（召回率約1-2個百分點）；從BQ切換到相同存儲類別的TurboQuant可在相同內存下獲得召回率提升。
TurboQuant的原理
TurboQuant（Zandieh等人，2026）是乘積量化（PQ）家族中的一種旋轉基向量量化算法。其核心步驟包括：對每個向量應用隨機正交旋轉，使各座標方差均勻分佈；然後使用標準正態分佈的固定查找表（Lloyd-Max碼本）獨立量化每個座標；最後通過碼本索引直接重構點積得分。由於旋轉是正交的，點積和L2距離得以保持。
其優點是無需針對數據集訓練、無需校準集、無需存儲碼本。碼本僅從標準正態分佈推導一次，即可通用。相比之下，PQ需要學習碼本並隨索引一起傳輸。
Qdrant的擴展
Qdrant在原生TurboQuant基礎上增加了以下擴展：
- 長度歸一化：原始MSE變體存在長度偏差，量化後的向量系統性變短。Qdrant借鑑RaBitQ的思路，為每個向量存儲一個額外的標量記錄長度收縮比例，並在評分時乘回。僅需4字節和一次乘法，即可有效消除偏差。
- 各座標校準（各向異性補償）：旋轉步驟假設數據各向同性，但實際嵌入往往具有各向異性（少數方向集中大部分方差）。Qdrant在每個段中進行預處理：估計旋轉後每個座標的（偏移，縮放）對，然後調整分佈以匹配固定碼本。這防止了座標偏移導致碼本失效。
性能基準
在四個代表性數據集上的HNSW（m=16, ef_construct=128）召回率測試表明：
- TQ 4位（8倍壓縮）與SQ（4倍壓縮）相當，在某些數據集上甚至超出4.6個百分點。
- TQ 2位（16倍壓縮）比BQ 2位高出11-15個百分點。
- TQ 1位（32倍壓縮）比BQ 1位高出9-21個百分點。
完整結果請參閲文章內的詳細表格。TurboQuant為向量搜索提供了新的效率與精度平衡點。