Couchbase Hyperscale Vector Index (HVI) offre des performances révolutionnaires par rapport à MongoDB dans un benchmark indépendant à l'échelle du milliard.

SAN JOSE, Calif. 23 octobre 2025 - Couchbase, Inc.la plateforme de données pour les développeurs d'applications critiques dans notre monde d'IA, a annoncé aujourd'hui les résultats d'une étude Couchbase repère Couchbase a lancé un test de performance à l'aide d'un outil indépendant qui démontre que l'index vectoriel hyperscale (HVI) de Couchbase offre des avantages de performance exceptionnels par rapport aux solutions concurrentes à l'échelle d'un milliard de vecteurs. Le test complet, mené en utilisant la méthodologie standard de l'industrie VectorDBBench, montre que Couchbase atteint plus de 700 requêtes par seconde (QPS) avec une latence inférieure à la seconde et une plus grande précision, ce qui est 350 fois plus rapide que MongoDB Atlas dans des conditions identiques.

Cette comparaison rigoureuse a testé Couchbase et MongoDB sur des ensembles de données de 100 millions de vecteurs à 768 dimensions et de 1 milliard de vecteurs à 128 dimensions, en mesurant le QPS, la latence de réponse et la précision de rappel dans plusieurs configurations d'extraction. Les résultats de l'analyse comparative révèlent des différences de performances considérables qui deviennent encore plus prononcées lorsque les applications requièrent des niveaux de précision de rappel plus élevés.

"Lorsque vous créez des applications d'IA à grande échelle, la performance n'est pas seulement un avantage ; elle détermine si votre application apporte une valeur qui justifie son adoption ", a déclaré BJ Schaknowski, PDG de Couchbase. "Nous le constatons tous les jours avec nos clients. Ils prennent en ce moment même des décisions d'infrastructure qui vont soit favoriser leurs initiatives d'IA, soit créer des goulots d'étranglement avec lesquels ils vont se débattre pendant des années. Ces résultats de benchmark montrent ce que nous savons déjà : à l'échelle du milliard de vecteurs, les choix architecturaux ont des implications massives sur ce que vous pouvez réellement fournir en tant qu'applications alimentées par la GenAI. Couchbase offre aux entreprises la performance et la précision dont elles ont besoin sans le traditionnel compromis entre les deux - tout en réduisant le coût total de possession."

Principales conclusions de l'analyse comparative

Ces tests démontrent que l'architecture de Couchbase permet aux entreprises d'atteindre simultanément des performances exceptionnelles et une grande précision dans les applications de recherche vectorielle.

Avec des paramètres de vitesse optimisés, Couchbase a fourni 19 057 QPS avec une latence de 28 millisecondes pour une précision de rappel de 66%, tandis que MongoDB n'a réussi à atteindre que 6 QPS pour un rappel de 57% avec une latence de 62,6 secondes, ce qui représente un avantage de performance de 3 176 fois pour Couchbase. Lorsqu'il est configuré pour une récupération de haute précision, Couchbase maintient 703 QPS avec une latence inférieure à la seconde de 369 millisecondes pour une précision de rappel de 93%. En revanche, les performances de MongoDB ont chuté à seulement 2 QPS avec plus de 40 secondes de latence pour un rappel de 89% - ce qui donne à Couchbase un avantage de 350 fois en termes de débit tout en offrant une plus grande précision.

L'approche technique permet d'améliorer les performances

Le HVI de Couchbase s'appuie sur l'algorithme de recherche du plus proche voisin DiskANN et sur l'algorithme de construction de graphes dirigés Vamana, offrant ainsi la flexibilité de fonctionner en mémoire et sur des disques partitionnés pour un traitement distribué et pour maintenir des performances de requêtes exceptionnelles lors de la montée en charge. L'architecture prend en charge la quantification scalaire (SQ4), qui réduit l'empreinte mémoire tout en maintenant la précision.

Les tests de référence ont utilisé des configurations matérielles équivalentes sur l'infrastructure Amazon Web Services (AWS) pour les deux plateformes, avec quatre nœuds d'interrogation (64 cœurs, 128 Go de RAM chacun) et trois nœuds de données (32 cœurs, 128 Go de RAM chacun) pour chaque système. Les deux systèmes ont été testés sur les mêmes charges de travail avec des configurations de paramètres optimisées pour des niveaux comparables de largeur de recherche, où des paramètres de recherche plus larges entraînent une plus grande précision de rappel.

La méthodologie complète des tests et les résultats détaillés sont disponibles dans le document technique. rapport "Comparaison des capacités de recherche vectorielle de MongoDB et de Couchbase par analyse comparative à l'aide de VectorDBBench". Les résultats montrent que Couchbase fournit plus de travail, avec moins de latence, et des coûts par opération nettement inférieurs.

Implications pour les applications d'IA en entreprise

Chaque seconde de retard dans les applications d'IA se traduit par des utilisateurs frustrés, des transactions abandonnées et des pertes de revenus. Pour les entreprises qui déploient l'IA à grande échelle, la performance des bases de données n'est pas seulement un détail technique, c'est la différence entre l'IA qui apporte une valeur commerciale et l'IA qui devient un matériel d'étagère coûteux. Les résultats du benchmark démontrent que les choix architecturaux ont des implications profondes sur la réactivité des applications, les coûts d'infrastructure et l'évolutivité.

Disponibilité

Couchbase 8.0 avec capacités HVI, également annoncée cette semaine, est maintenant généralement disponible pour les déploiements autogérés et basés sur Capella. Les organisations peuvent se déployer dans des environnements sur site, dans le nuage et en périphérie pour répondre à leurs besoins en matière d'applications d'IA.

Ressources complémentaires

• Pour en savoir plus sur les capacités de recherche vectorielle de Couchbase et accéder au rapport de benchmarking complet, visitez le site https://www.couchbase.com/products/vector-search/.
• Pour en savoir plus sur la façon dont Couchbase aide les clients à relever leurs défis les plus critiques en matière d'IA, cliquez sur ici.