RaBitQ是一種用於高維向量量化的隨機二進制量化算法，由南洋理工大學Cheng LONG老師及Jianyang Gao博士在資料庫頂級會議SIGMOD 2024上發表。該算法能將向量的每一維表示從float-32bit壓縮為1-bit，理論上可達32倍記憶體降本，並引入了隨機投影及無偏距離估計器以保證量化精度。
該算法在2024年提出了1-bit版本，並在2025年推出了多bit版本。後續，RaBitQ被集成至多個向量資料庫與算法引擎中，如OceanBase的HNSW_BQ索引、Milvus的IVF_RABITQ索引、faiss v1.11.0版本以及火山引擎的DiskANN+RaBitQ向量算法引擎等。
發展歷程,核心技術,核心團隊,重要事件,
發展歷程
2024年5月，高健揚團隊在arXiv預印本平台首次發布了RaBitQ論文（arXiv:2405.12497）。RaBitQ（1-bit版本）隨後在資料庫頂級會議SIGMOD 2024上發表。2024年9月，團隊發布了擴展版論文（arXiv:2409.09913），嚴格證明了其達到理論計算機頂級會議FOCS 2017給出的漸近最優誤差界。
擴展版（多bit版本）在2025年發表於SIGMOD 2025。自2025年起，RaBitQ算法陸續被集成與套用，包括被OceanBase、Milvus、FAISS、火山引擎、騰訊雲等知名資料庫和開源項目所採用。
2026年3月，因與谷歌TurboQuant論文在核心方法（隨機旋轉）的相似性、理論結果描述及實驗公平性等方面存在爭議，引發了學術社區的關注。
核心技術
RaBitQ是一種二值量化方法，能夠將向量的每一維表示從float-32壓縮為1-bit，理論上可實現高達32倍的記憶體降本。其核心目標是在保證高召回率的前提下，實現較高的存儲壓縮。
RaBitQ在量化前對輸入向量施加隨機旋轉，即Johnson-Lindenstrauss變換。該步驟利用高維空間的濃度度量現象，使旋轉後向量各坐標的分布變得可預測和均勻。通過對向量進行歸一化處理，將信息編碼的重點從具體的坐標值轉移到向量間的角度關係上。算法引入了一個具有理論保證的無偏距離估計器，用於在向量被極度壓縮後，仍能準確估算原始向量之間的距離，從而保障近似最近鄰搜尋的召回率。
RaBitQ算法具有可擴展性，最初版本為1-bit量化，後續推出了多bit版本。多bit版本通過增加每個維度分配的比特數，可以在壓縮比和精度之間進行靈活權衡，實驗表明多bit版本能夠實現更高的召回率。
RaBitQ常與倒排索引等現有檢索框架結合，形成如IVF_RABITQ的複合索引類型。在此架構下，向量的歸一化是相對於其所屬的聚類中心進行的，提升了局部區域的編碼精度。算法設計訓練輕量，並利用如AVX2/AVX-512指令集進行硬體加速，最佳化了二值向量間的距離計算速度。RaBitQ已被集成到Milvus、FAISS、騰訊雲向量資料庫等主流系統中。
核心團隊
該算法的相關研究成果以系列論文形式在資料庫頂級會議SIGMOD 2024和SIGMOD 2025上發表，其擴展版論文嚴格證明了該算法達到了理論計算機頂級會議FOCS 2017給出的漸近最優誤差界，高健揚博士因此獲邀在FOCS的Workshop做報告。
RaBitQ的官方代碼已於2024年5月開源。
重要事件
2025年，OceanBase在開發者大會上宣布推出基於RaBitQ的HNSW_BQ向量索引，宣稱相比原始索引實現了95%的記憶體降本。同年5月，Milvus在其2.6版本中集成RaBitQ並推出IVF_RABITQ索引類型。2025年5月8日，火山引擎發布深度融合DiskANN與Extended RaBitQ的向量算法引擎，宣稱向量資料庫整體成本降低75%。
2025年，FAISS在其v1.11.0版本中集成了RaBitQ索引。同年，騰訊雲向量資料庫（TencentVDB）在其V2.7版本中首發工程落地多bit版RaBitQ（IVF-RabitQ）。
2026年3月27日，RaBitQ作者、蘇黎世聯邦理工學院博士後高健揚在知乎發布萬字長文，指控谷歌團隊存在系統性學術問題，輿論迅速轉向對谷歌學術不端的拷問。業界普遍認為，RaBitQ率先提出了原創方法，TurboQuant在其基礎上進行了最佳化，卻未給予應有的引用與尊重，甚至作出了不公正的貶低。4月1日，面對外界的指控，論文第二作者Majid Daliri終於出來，代表團隊在OpenReview平台上發布“技術澄清”。關於貶低RaBitQ理論為“次優”的指控，論文作者承認，是因為自己沒仔細看對方的附錄，漏了一個常數因子，才得出了草率的結論，“導致我們最初誠實地將該方法描述為次優”。現在仔細研究了，發現RaBitQ確實是最優的，團隊正在更新TurboQuant手稿。
