给数百亿张图片找“相似款”，如果所有线索都摊在昂贵的内存里，规模越大，机器账单越难控制。Pinterest正在调整其向量检索系统 Manas：减少依赖 HNSW——一种速度快、召回率高，但很占内存的多层近邻图索引，转向量化 SPANN。后者把大部分数据放进 SSD，只在内存保留较小的索引；量化则用更少比特近似记录向量。
据 InfoQ 转述 Pinterest 工程团队的测试，在超过 50 亿个嵌入向量——把图片或兴趣转换成数字表示——的 Pin 推荐评估中，SPANN 相比完全驻留内存的 HNSW，为生产查询节省超过 40% 的 CPU 时间。另一组测试里，SPANN 配合乘积量化（PQ）后，吞吐量达到 DiskANN 的 3 倍，延迟约为三分之一，代价是召回率下降 5%。
这条路线的看点不只是“换算法”，而是重新分配昂贵内存与便宜 SSD 的工作：用小型内存索引先定位分区，再从 SSD 读取候选。上述效果来自团队披露的特定数据与配置，材料未说明更广泛业务场景能否复现。