FAISS 1.16.0 塞进 e-means：25 轮 k-means 的损失，2 轮左右达到
Meta FAIR 的 e-means 进入 FAISS 1.16.0，定位是 mini-batch k-means 的替代品。报道称它在 GPU 上达到 Lloyd 算法 25 个 epoch 的损失水平只需 1.4 到 2.6 个 epoch，加速 10 到 45 倍，且没有新增超参数。数字很猛，迁移前还是要看基准条件。
Meta FAIR 在 FAISS 1.16.0 里放进了 e-means。按 MarkTechPost 作者 Michal Sutter 的报道，它定位是 mini-batch k-means 的替代品：在 GPU 上达到 Lloyd 算法跑 25 个 epoch 的损失水平，只需 1.4 到 2.6 个 epoch；加速比 10 到 45 倍；没有新增超参数。
背景不复杂。k-means 做向量聚类，经典 Lloyd 算法每轮都要扫全量数据，数据一大就慢。mini-batch k-means 用采样换速度，工程上好用，但收敛轮数往往更多。e-means 想解决的就是这个交换：既要 mini-batch 的吞吐，也要更少的迭代。报道里最关键的数字是 1.4 到 2.6 个 epoch 对 25 个 epoch，差距足够让做过大规模聚类的人停一下。
对 FAISS 用户，这件事的吸引力在接口和迁移成本。它被放进 FAISS 1.16.0，说明不需要为了试一次去接一套新服务。对不写代码的读者，可以把它理解成同一类聚类任务，迭代轮数被压到原来的十分之一左右，硬件还是 GPU。具体效果要看数据分布、batch 大小和实现细节，报道没有展开所有基准条件，别把 45 倍当成默认值。
原文：Meta FAIR Releases e-means: An Algorithm Beating k-means in 10x Fewer Epochs
发布时间: 2026-11-11 07:20