Note sur l'ensemble des données :

For "1M Dataset" below, we refer to the "Cohere Medium" () Dataset (1M * 768 float dense vectors).
For "10M" Dataset below, we refer to the "Cohere Large" () Dataset (10M * 768 float dense vectors).

Latence et QPS de la recherche vectorielle pour un coût mensuel de 1 000 dollars

Jeu de données

P99 Latency (ms)

QPS

Recall

ZillizCloud-8cu-perf

13,316.23

0.9383

Milvus-16c64g-sq4u-fp16-force_merge

2.3

9,575.69

0.9189

Milvus-16c64g-sq8-force_merge

2.4

5,973

0.9192

OpenSearch-16c128g-force_merge

7.2

3,055.01

0.9066

ElasticCloud-8c60g-force_merge

17.1

2,353.89

0.9143

QdrantCloud-16c64g

6.4

1,242.43

0.9474

Pinecone-p2.x8-1node

13.7

1,146.53

0.9262

OpenSearch-16c128g

13.2

950.63

0.9140

Performance de la diffusion en continu

Ce graphique compare les performances de recherche sur l'ensemble de données Cohere-10M sous une pression d'ingestion constante. Nous mesurons la latence de recherche en série p99 et le QPS maximal simultané à 90 % de la capacité des données, tandis que la charge de travail d'insertion reste active. Ces résultats "en continu" sont ensuite comparés aux performances "statiques" d'une base de données entièrement indexée et optimisée.

Valeurs de tracé

statique (entièrement optimisé)
ingestion constante (500 lignes/s)
ingestion constante (1000 lignes/s)

ZillizCloud

8cu-perf

7,385

Recall: 0.9384

2,119

1,860

Milvus

16c64g-sq8-force_merge

2,747

Recall: 0.9204

306

156

ElasticCloud

8c60g-force_merge

1,452

Recall: 0.9042

61.67

61.82

Pinecone

p2.x8-1node

1,131

Recall: 0.9024

367.4

369.7

TurboPuffer

2026-03-31

649.9

Recall: 0.8352

536

442.6

OpenSearch

16c128g

505.7

Recall: 0.9068

161.7

149.7

QdrantCloud

16c64g

446.9

Recall: 0.9357

393.8

347.6

Performance et rappel

Jeu de données

Valeurs de tracé

QPSP99 Latence

Performance du filtrage

Jeu de données

Valeurs de tracé

QPSP99 LatenceRappel