LEANN: un índice vectorial que reduce el almacenamiento sin sacrificar precisión
El UC Berkeley Sky Computing Lab desarrolló LEANN, un índice de vecinos más cercanos aproximados (ANN) diseñado para reducir el espacio que ocupan las estructuras utilizadas en búsquedas semánticas.
El proyecto, construido sobre FAISS y distribuido como código abierto bajo licencia MIT, utiliza un enfoque diferente al de los índices vectoriales tradicionales: conserva un grafo podado y vuelve a calcular los embeddings cuando se realiza una consulta, en lugar de almacenar todos los vectores.
Según los resultados publicados por sus desarrolladores, esta estrategia permite reducir de manera considerable el tamaño de los índices y mantener la precisión en las tareas evaluadas, a cambio de un mayor tiempo de recuperación.
El trabajo de investigación recibió el premio Best Research Paper en MLSys 2026.
De 201 GB a 6 GB: los resultados de almacenamiento
Una de las cifras más destacadas de LEANN procede de la evaluación presentada en su repositorio de GitHub.
En esa prueba, un índice de Wikipedia compuesto por 60 millones de fragmentos pasa de ocupar 201 GB a necesitar únicamente 6 GB con LEANN.
El artículo de investigación presenta otra configuración basada en un corpus de 76 GB. En este caso, el índice tradicional HNSW ocupa 188 GB, mientras que LEANN reduce el almacenamiento a 4 GB.
Ambos resultados ilustran el objetivo central del proyecto: disminuir el espacio dedicado a los índices de búsqueda mediante una estructura compacta y el recálculo de embeddings durante las consultas.
LEANN frente a HNSW: almacenamiento, precisión y velocidad
Los investigadores también analizaron el rendimiento de LEANN frente a HNSW en tareas de recuperación de información.
En la evaluación con Natural Questions (NQ), utilizando Qwen3-4B en una GPU NVIDIA RTX 4090 y con un 90% de recall, LEANN y HNSW obtuvieron exactamente el mismo resultado de precisión en la tarea posterior: 25,5%.
Como referencia adicional, BM25 alcanzó un 18,3% en esa evaluación.
La diferencia más importante entre LEANN y HNSW aparece en el espacio necesario y en los tiempos de recuperación.
Tabla comparativa: LEANN vs. HNSW
| Métrica | LEANN | HNSW |
|---|---|---|
| Almacenamiento del índice para un corpus de 76 GB | 4 GB | 188 GB |
| Recall configurado en NQ | 90% | 90% |
| Precisión posterior con Qwen3-4B en NQ | 25,5% | 25,5% |
| Tiempo de recuperación en NQ | 2,48 s | 0,05 s |
| Tiempo total de extremo a extremo | 23,34 s | 20,95 s |
Fuente: resultados comunicados en el artículo de investigación de LEANN, bajo la configuración de evaluación indicada.
La comparación muestra que LEANN conserva la precisión de HNSW en esta prueba y utiliza mucho menos almacenamiento.
Sin embargo, el ahorro tiene un costo en velocidad. Mientras HNSW completa la recuperación en 0,05 segundos, LEANN necesita 2,48 segundos.
Cuando se considera el proceso completo, la diferencia es menor: LEANN registra 23,34 segundos frente a los 20,95 segundos de HNSW.
Estos datos permiten observar el intercambio que propone su arquitectura: menos espacio de almacenamiento a cambio de más tiempo para recuperar la información.
Cómo funciona LEANN: tres técnicas para reducir el tamaño del índice
El diseño combina diferentes mecanismos destinados a disminuir el almacenamiento y organizar las operaciones de búsqueda.
1. Búsqueda en dos niveles
LEANN divide la búsqueda en dos etapas.
Primero utiliza cuantización de producto (PQ) para clasificar los candidatos. Después realiza un recálculo exacto de los embeddings correspondientes.
Así, el sistema combina una selección inicial de candidatos con una etapa de recuperación basada en los embeddings recalculados.
2. Procesamiento por lotes dinámico
Otra de sus técnicas es el procesamiento por lotes dinámico, incorporado para gestionar las operaciones de recálculo durante la búsqueda.
Esta estrategia forma parte del mecanismo utilizado por LEANN para recuperar información sin mantener todos los embeddings almacenados.
3. Poda del grafo con preservación de nodos concentradores
LEANN también aplica una estrategia de poda que conserva especialmente los nodos de alto grado.
En concreto, el 2% superior de los nodos concentradores mantiene una mayor cantidad de aristas.
Esta técnica permite reducir el grafo mientras se preservan más conexiones en los nodos que concentran un mayor número de relaciones.
Aplicaciones de LEANN: documentos, conversaciones y servicios conectados
Además de su implementación como índice vectorial, LEANN incluye aplicaciones para realizar búsquedas sobre diferentes fuentes de información.
Entre las integraciones disponibles se encuentran:
- Documentos: búsqueda sobre colecciones documentales.
- Apple Mail: recuperación de información del correo electrónico.
- Google Chrome: consultas sobre el historial del navegador.
- WeChat e iMessage: búsqueda sobre conversaciones.
- ChatGPT y Claude: procesamiento de exportaciones de conversaciones.
- Slack y Twitter: lectores MCP para Slack y marcadores de Twitter, respectivamente.
LEANN también puede funcionar como un servidor MCP de búsqueda semántica para Claude Code, lo que permite utilizar sus capacidades de recuperación mediante esa integración.
Estas aplicaciones amplían el uso del índice más allá de los conjuntos de datos empleados en las evaluaciones de investigación.
Cómo instalar LEANN
LEANN se distribuye como proyecto de código abierto bajo licencia MIT.
El comando de instalación indicado por el proyecto es:
uv pip install leann
Su repositorio público reúne el código del proyecto y las aplicaciones asociadas.
LEANN en contexto
LEANN es un proyecto del UC Berkeley Sky Computing Lab, desarrollado para reducir los requisitos de almacenamiento de los índices utilizados en búsquedas de vecinos más cercanos aproximados.
Su investigación obtuvo el reconocimiento Best Research Paper en MLSys 2026, con una propuesta que combina grafos podados y recálculo de embeddings para reducir el tamaño de los índices vectoriales.
