在实际的基准测试报告中，召回率和 QPS（每秒查询数）共同报告，以平衡向量数据库性能的两个关键方面：准确性和速度。召回率衡量数据库检索所有相关结果的有效性（例如，在 100 个目标项目中找到 90 个），而 QPS 量化了系统每秒可以处理的查询数。这些指标是负相关的——更高的召回率通常需要更多的计算工作，从而降低 QPS，反之亦然。通过同时报告两者，基准测试提供了清晰的权衡分析，帮助开发人员选择与他们的应用程序需求相符的配置，无论是优先考虑精度、速度还是平衡。
基准测试通常使用图表或表格来可视化这种关系。例如，召回率-QPS 曲线可能显示在固定硬件条件下，当召回率从 80% 增加到 95% 时，QPS 如何下降。或者，表格可以列出不同参数设置（例如，搜索限制或索引类型）的 QPS 值以及相应的召回率百分比。这些比较突出了调整参数（如 IVF 索引中的探测数量或 HNSW 图中的 efSearch 值）如何影响性能。针对高召回率优化的配置（例如，efSearch=200）可能以 200 QPS 的速度实现 98% 的召回率，而以速度为中心的设置（efSearch=50）可能以 85% 的召回率达到 500 QPS。这些数据使开发人员能够了解设计选择如何影响实际行为。
应用程序的上下文决定了优先考虑哪个指标。例如，需要高准确性的推荐系统可能会容忍较低的 QPS（例如，95% 召回率下的 150 QPS），而实时产品搜索工具可能会优先考虑 80% 召回率下的 1000 QPS。基准测试通常包括多个场景来反映这些用例。此外，还包括硬件详细信息（CPU/GPU，内存）和数据集特征（向量维度，大小）以确保公平的比较。通过将召回率和 QPS 与这些变量一起呈现，基准测试提供了可操作的见解，使开发人员能够就可扩展性、成本和性能权衡做出明智的决策。