知识卡片：QASP：查询自适应的鲁棒向量搜索策略

一句话结论

QASP 提出一种查询自适应的向量搜索策略：通过一次前馈回归预测每条查询的完整召回进展曲线，再按任意召回目标导出搜索策略，从而在不反复调用模型的情况下降低召回波动和计算成本。

事件概述或研究问题

传统向量搜索常使用固定搜索参数，导致不同查询的召回率差异较大；而按平均召回率评估会掩盖这种逐查询差异。QASP 旨在解决“如何在控制计算成本的同时，对每条查询都稳定达到目标召回率”这一核心问题。

方法/产品要点

• 输入为查询的规模不变特征，在搜索前进行一次有监督回归，预测该查询的完整召回进展曲线。
• 根据预测曲线，可为任意召回目标推导搜索策略，无需为每个目标训练单独预测器，也无需在搜索过程中迭代调用模型。
• 基于逐点进展预测，设计了一个轻量级反应式补充机制：根据预测值与实际观测值的偏差调整搜索深度，且不增加额外推理。
• 理论证明：所需训练样本量有限，与数据集大小和维度无关；其损失超过任何固定策略不可约下界的幅度趋于零；相对固定探测，数据访问节省随内在维度呈指数增长。

主要结果或产业意义

实验表明，QASP 能显著降低召回率方差和目标偏差，提高查询满意率；无需重新训练即可扩展到大规模数据和分层索引；在实现 99% 召回率时，数据访问量减少约 80%。

为什么重要

现有向量搜索评估多关注平均召回率，容易忽略长尾查询的体验劣化。QASP 把“逐查询召回曲线预测”作为核心，使搜索策略能按查询自适应调整，兼顾召回稳定性与计算效率，是向量检索系统调优的一个新思路。

局限与不确定性

• 原始论文正文未能抓取，以上内容仅依据 arXiv 元数据生成，具体方法细节、实验设置和结论需核实。
• “查询满意率”的准确含义、评估数据集与基线对比等细节待核实。
• 理论保证在实际工程部署中的适用范围和前提条件待核实。

可用于图书/PPT/简报的角度

• 向量搜索的“平均召回率陷阱”：为什么均值会掩盖体验波动。
• 一次预测整条召回曲线：比“预测最佳 k”更灵活的策略范式。
• 自适应搜索的收益：99% 召回率下减少 80% 数据访问的工程启示。

与既有脉络的关系

本条与“向量搜索作为最近邻匹配”卡片相关，但侧重向量索引与检索系统的性能优化，而非将向量搜索用于因果推断的策略学习；与 DemoPSD、CamVLA 无直接延续关系。

原始材料

• 英文标题：QASP: Query-Adaptive Robust Vector Search Policy
• 英文关键词：foundation-model, vector search, query-adaptive policy, recall prediction
• 来源：arXiv:2607.29606v1
• URL：https://arxiv.org/abs/2607.29606v1
• 大量细节待核实：未能抓取正文，仅基于已知元数据生成。