Encoders
三个编码器分别解决什么问题？
它们不是同一种负载的重复实现，而是分别服务向量检索、压缩召回和时空数据组织。实际选型应由数据类型、召回目标、内存预算、吞吐目标和部署形态共同决定。
SQDelta 系列历史分支 / SSD AI 索引技术体系
SQDeltaV3 向量压缩编码器
面向 AI 检索、RAG、SSD 近数据计算和低内存向量索引的向量压缩编码器，用于降低向量表示、相似性估计和索引映射中的存算开销。
适合把高维向量转成更轻量、更适合高吞吐检索的数据表示，作为 SSD 存算融合与高效索引链路中的编码层组件。
公开性能口径
适用场景
参赛项目 / AQ 编码器
AQ 高维向量编码器
面向 >500 维高维向量检索的压缩编码器，目标是在更低字节预算下保持较高召回质量，适合对召回率、内存占用和检索吞吐同时敏感的场景。
用于替代或补充传统向量量化方案，在高维语义向量、推荐召回和检索候选生成中压缩向量表示。
公开性能口径
适用场景
SuperM / SuperZ 优化体系
SuperZ 时空融合编码器
面向 2~16 维时空数据排序、分片、扫描预过滤和缓存亲和的数据编码器，用于把空间、时间和多维属性组织成更适合大规模数据引擎处理的编码表示。
适合在 SuperM / SuperS3 等数据引擎中作为时空数据底层编码层，定位为 2~16 维场景下最快的时空编码器。
公开性能口径
适用场景
Public Boundary
公开边界
只公开用途与指标
页面聚焦编码器定位、适用场景、公开性能目标和可验证收益，技术交流可按场景进一步展开。
按业务负载选择
向量检索优先看召回、延迟和内存；时空数据优先看局部性、吞吐和分片；SSD 场景优先看算子下沉与低内存映射。
可组合到产品体系
三个编码器可分别服务 SSD AI 索引、巡天镜向量检索、SuperM/SuperS3 时空数据引擎等产品线。
Selection Guide
快速选型
Use Cases
适合哪些系统接入？
RAG、企业搜索和向量数据库的低内存召回层
推荐系统、广告召回和高维语义向量压缩
SSD 近数据计算、存算融合和低内存索引实验
车联网、物流、地图、机器人和 IoT 时空数据引擎
海量数据分片、排序、扫描预过滤和缓存友好布局
需要对召回率、吞吐、内存和工程成本做综合权衡的系统
Encoder POC
想评估编码器接入方案？
可通过邮件沟通数据类型、维度、召回目标、延迟预算、内存预算、部署形态和 POC 验收指标。