在M4芯片上测试KVectors向量数据库时，搜索10000个向量的平均时间为0.4毫秒，性能优于旧款Intel MBP。然而，在IVF_RABITQ索引测试中，M4的搜索时间达到20毫秒，表现不如预期，可能与向量压缩和算法改进有关。

KVectors向量数据库即将开源，分为开源版和企业版。开源版支持APPEND_ONLY存储和FLAT、HNSW索引，适用于大多数AI场景。企业版在此基础上增强了索引类型和CRUD操作，提供更全面的商业服务与支持。

KVectors向量数据库现已支持IVF_RABITQ索引。测试显示，构建999999个向量的索引耗时7分25秒，尽管检索性能有所下降，但仍适合大规模数据集。该数据库支持多种主流向量索引，软著申请正在审核中。

橙子科技通过KVectors向量数据库和自研大模型，提升了推荐系统的覆盖率、响应速度和个性化精准度。新系统实现93%商品覆盖率，推荐响应时间缩短至95毫秒，长尾商品点击率提升216.7%。整体GMV增长42%，用户体验显著改善。

KVectors向量数据库的IVF索引测试表明，加载所有向量到内存后，查询时间显著降低至平均1.1毫秒，而未使用IVF索引时查询时间高达230毫秒，显示出IVF索引的重要性。

本文介绍了如何利用KVectors向量数据库构建图搜图应用。用户上传图片后，系统通过图像Embedding模型生成向量并存入数据库。搜索时，用户提交图像，系统生成向量并查询相似图像，最终展示结果。该应用简单易用，适合电商等场景。

王福强通过阅读源代码解决了KVectors压缩向量搜索中的段错误问题。在Sift数据集上测试，查询速度平均为6.3毫秒，效果良好。

KVectors 向量数据库已基本成型，支持三类向量集合，具备快速构建索引和查询延迟在100毫秒以上的能力。该数据库使用Java/Scala开发，利用现代CPU特性加速向量计算，计划应用于智能客服等领域。