增加倒排索引 (IVF 索引) 中的中心点（簇）数量直接影响搜索速度和召回率，但权衡取决于索引配置和数据分布。中心点越多，数据集被分割成更小、更细粒度的簇。如果搜索仅限于固定数量的附近簇（由 nprobe 参数控制），这将减少每次查询扫描的向量数量。然而，如果查询的真正最近邻分散在搜索时未检查的簇中，较小的簇也会增加遗漏相关向量的风险。平衡速度和召回率需要仔细调整中心点数量和 nprobe。
搜索速度影响 中心点越多通常允许更快的搜索，如果 nprobe 值保持固定。例如，一个包含 10,000 个中心点且 nprobe=10 的 IVF 索引可能会搜索 10 个簇，每个簇包含 0.1% 的数据集，总共扫描 1% 的向量。相比之下，一个包含 1,000 个中心点且 nprobe=10 的索引会搜索 10 个簇，每个簇覆盖 1% 的数据，总共扫描 10% 的向量——速度慢一个数量级。然而，增加中心点数量也增加了粗量化步骤（将查询与所有中心点进行比较）花费的时间。对于少量中心点，此开销不大，但在大规模（例如 1M 中心点）情况下变得显著，尤其是在没有 SIMD 优化的 CPU 上。
召回率权衡 如果 nprobe 未调整，更高的中心点数量可能会损害召回率。例如，如果一个查询的真正最近邻分散在 15 个簇中，但索引使用 nprobe=10，将中心点从 1,000 增加到 10,000 更有可能使这些邻居分散到不同的簇中，从而减少它们全部包含在 probed 的 10 个簇中的可能性。为了维持召回率，您可能需要提高 nprobe 值，这会抵消较小簇带来的速度提升。例如，当中心点数量翻倍时，将 nprobe 也翻倍会使扫描的总向量数量大致保持不变，但会增加 probing 更多簇的开销。最佳调整通常涉及测试：一个 10,000 个中心点且 nprobe=20 的索引可能在相似的速度下比 1,000 个中心点且 nprobe=10 的索引实现更好的召回率，但这取决于数据聚类行为。
实际上，选择取决于数据集的固有结构和延迟/召回率要求。稀疏或高维数据可能需要更多中心点以避免大型、分隔不清的簇，而较小的数据集可能使用较少中心点和较高的 nprobe 值表现更好。像 FAISS 或 Milvus 这样的工具允许对这些参数进行基准测试以找到合适的平衡点。