Milvus vs. ElasticSearch：向量库检索性能测试

1. 构建检索库

• 构建通用场景库总计约2万张。
• 构建车辆数据库总计约12万张。
• 构建公共数据库，包括Flickr30k、COCO、nlvr2、vqa等数据集约43万张。

2. 测试条件

• 环境说明：分别单机部署Milvus和Elasticsearch。
• 配置说明：分别基于Milvus和Elasticsearch构建三种不同规模的检索库，Embedding维度为1024，均是采用余弦相似度计算距离，采用ANN方法返回topk检索结果，其他检索条件均相同。

3. 测试结果

4. 性能分析

1. 小数据量场景（2W）

   • Milvus 性能是 ES 的 4.87 倍，表明即使在小规模数据下，Milvus 的向量检索效率仍显著优于 ES。

2. 中大数据量场景（12W/43W）

• 12W 数据量时，Milvus 性能提升倍数扩大至 16.76
• 43W 数据量时，Milvus 性能优势达到 51.82
• ES 的检索耗时随数据量增长呈非线性上升（从 0.0253s → 0.36684s），而 Milvus 仅从 0.0052s → 0.00708s，增长幅度极小。

3. 扩展性差异

• ES 的检索性能与数据量高度相关，说明其底层架构对大规模向量数据的处理效率存在瓶颈。

• Milvus 则展现出优异的扩展性，其检索耗时几乎不受数据量增长影响，体现了专用向量数据库的设计优势。

5. 结论

• Milvus 优势：专为向量检索优化，采用列式存储、近似最近邻（ANN）算法和分布式架构，在大规模场景下性能显著优于 ES。
• ES 局限性：基于倒排索引的架构对非结构化向量数据处理效率较低，适合文本检索为主的混合场景。
• 选型建议：
  ✔️ 纯向量检索场景（尤其是数据量 >10W 时）优先选择 Milvus
  ✔️ 文本+向量混合检索场景可考虑 ES，但需接受向量性能折损