应用场景：追求高精度下的高性能。
技术原理：KBest搜索前通过预取参数优化得到当前图结构的最优预取参数，搜索过程中利用图索引预存的入口点快速逼近query，获取query的近邻。同时使用SIMD指令集加速距离计算，搜索结束时进行全/半精度重排以提高排序精度，返回K近邻。
性能指标：在16U64G规格上，Milvus-kbest算法在ann-benchmarks Gist数据集且recall值在0.99以上的场景，QPS（Query Per Second，每秒查询数）性能相较于Milvus-hnsw算法可获得30%的提升。
图1 优化特性使能前后性能对比
如何使用：通过patch文件形式提供，该patch补丁基于开源Milvus 2.4.5、Knowhere 2.3.5编译安装部署。