--- format: "aidr-story-markdown/v1" id: "b21fa54b837dba6b3505f76961e5e0c8433748c069a6448982cb59402022e336" canonical_url: "https://aidr.today/b21fa54b?lang=vi" title: "Retrieval nhanh hơn cho RAG tốt hơn, More Efficient" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-05T00:00:00.000Z" category: "Data" topics: ["llm","data-engineering"] source_urls: ["https://machinelearning.apple.com/research/faster-retrieval"] summary: "MIPS nằm ở cốt lõi của hệ thống recommendation, tìm kiếm và RAG. Với một query vector, hệ thống MIPS tìm kiếm trong cơ sở dữ liệu hàng triệu key vector ứng viên để tìm cái khớp nhất với query. Dữ liệu gốc liên quan đến key khớp nhất đó được dùng để xử lý query: trong RAG, tài liệu phù hợp nhất để trả lời câu hỏi thường được thêm vào query. Khi số lượng key tăng lên hàng triệu và chiều vector đạt hàng nghìn, chi phí tính toán để so sánh toàn bộ query với tất cả key tăng mạnh. Nhiều phương pháp xấp xỉ được đề xuất để đánh đổi độ chính xác lấy tốc độ bằng cách dùng clustering và quantization. Các phương pháp cơ bản này tập trung vào tính chất của tập key để xây dựng cấu trúc indexing thông minh, nhưng lập luận hình học của chúng ngầm giả định tập queries sẽ giống tập key, hoặc bỏ qua việc queries sẽ trông như thế nào. Điều này có vấn đề ở hai mặt: Trong trường hợp RAG quan trọng, queries đến từ các câu hỏi ngắn do người dùng tạo, trong khi key là các đoạn văn bản dài, giàu thông tin và được tuyển chọn, khiến key và query khác biệt đáng kể. Hơn nữa, hầu hết các trường hợp sử dụng MIPS triển khai trong production nhắm đến cơ sở người dùng hiện có với phân phối query ổn định, đặc trưng…" --- # Retrieval nhanh hơn cho RAG tốt hơn, More Efficient > [Open the canonical story]() **Published:** 2026-11-05T00:00:00.000Z **Category:** Data **Topics:** llm, data\-engineering ## Summary MIPS nằm ở cốt lõi của hệ thống recommendation, tìm kiếm và RAG\. Với một query vector, hệ thống MIPS tìm kiếm trong cơ sở dữ liệu hàng triệu key vector ứng viên để tìm cái khớp nhất với query\. Dữ liệu gốc liên quan đến key khớp nhất đó được dùng để xử lý query: trong RAG, tài liệu phù hợp nhất để trả lời câu hỏi thường được thêm vào query\. Khi số lượng key tăng lên hàng triệu và chiều vector đạt hàng nghìn, chi phí tính toán để so sánh toàn bộ query với tất cả key tăng mạnh\. Nhiều phương pháp xấp xỉ được đề xuất để đánh đổi độ chính xác lấy tốc độ bằng cách dùng clustering và quantization\. Các phương pháp cơ bản này tập trung vào tính chất của tập key để xây dựng cấu trúc indexing thông minh, nhưng lập luận hình học của chúng ngầm giả định tập queries sẽ giống tập key, hoặc bỏ qua việc queries sẽ trông như thế nào\. Điều này có vấn đề ở hai mặt: Trong trường hợp RAG quan trọng, queries đến từ các câu hỏi ngắn do người dùng tạo, trong khi key là các đoạn văn bản dài, giàu thông tin và được tuyển chọn, khiến key và query khác biệt đáng kể\. Hơn nữa, hầu hết các trường hợp sử dụng MIPS triển khai trong production nhắm đến cơ sở người dùng hiện có với phân phối query ổn định, đặc trưng… ## Sources - [Story source]()