Il nuovo algoritmo RACORN-1 recupera il recall fino a 0,98 nei casi di filtraggio estremo
Immaginate un motore di ricerca che funziona a meraviglia quando il bacino è ampio, ma crolla proprio nel momento in cui avete bisogno di una precisione chirurgica. È il paradosso che ha accompagnato ACORN‑1, fino a poche settimane fa il punto di riferimento della ricerca vettoriale filtrata. Poi, all’inizio di luglio, un gruppo di ricercatori ha pubblicato su arXiv un’analisi che ribalta la situazione: RACORN‑1, la loro proposta, recupera il recall da 0,03‑0,10 a 0,77‑0,98 proprio nei casi più estremi. Per chi gestisce sistemi di recupero in produzione, è un salto che merita di essere capito.
Il crollo nascosto dello stato dell’arte
Nei sistemi RAG — quelli che abbinano un modello linguistico a un archivio di documenti da cui attingere risposte — combinare similarità semantica e filtri strutturati è diventato un requisito di base. Si chiama Filtered Vector Search: da un lato si cerca il contenuto più vicino al significato di una domanda, dall’altro lo si restringe con condizioni precise (date, categorie, autore). ACORN‑1, introdotto nel 2024, aveva stabilito lo stato dell’arte per questo tipo di ricerca, e non a caso database vettoriali come Qdrant lo hanno reso disponibile come parametro opzionale. Ma aveva una debolezza nota: quando i filtri stringono il campo a percentuali minime — per esempio lo 0,3% dei dati totali — la sua capacità di trovare i risultati giusti si sfalda.
I numeri sono netti. A selettività dell’1%, ACORN‑1 crollava a un recall di 0,45‑0,72; allo 0,3% precipitava addirittura a 0,03‑0,10. Tradotto: su cento risultati che avrebbe dovuto restituire, in condizioni di filtraggio molto selettivo ne perdeva più di novanta. Un problema che resta invisibile finché gli ambiti sono ampi, ma diventa critico quando si ha a che fare con ricerche ad alta precisione — esattamente lo scenario in cui ci si aspetta che un filtro serva.
RACORN‑1: il colpo di coda che ribalta i numeri
RACORN‑1 arriva sullo stesso terreno e fa due cose insieme: riporta il recall a livelli utilizzabili e abbatte la latenza rispetto a HNSW, l’algoritmo di ricerca vettoriale privo di filtri che fa da termine di paragone classico. Nel cosiddetto “sweet spot” — selettività tra l’1% e lo 0,3% — il recall risale a 0,70‑0,96 e 0,77‑0,98 rispettivamente. La latenza, nel frattempo, si riduce di circa 9‑26 volte.
Il terreno più istruttivo è però lo stress test con correlazione negativa. Qui i cluster di dati vengono costruiti artificialmente (con K‑means) in modo che i filtri e la similarità semantica tirino in direzioni opposte: la condizione peggiore per qualsiasi sistema di recupero. In questo scenario ACORN‑1 tocca il fondo — recall tra 0,08 e 0,41 — mentre RACORN‑1 mantiene un recall di 0,80‑0,98, con un vantaggio di latenza da 5 a 9 volte su HNSW. È una differenza che non si gioca sui decimali: significa passare da un sistema che in certe condizioni fa peggio di una ricerca a caso a uno che continua a trovare praticamente tutto il rilevante.
Esiste anche una variante, RACORN‑1+. Su dataset da 1 milione di vettori, con selettività inferiore allo 0,1%, raggiunge un recall di 1.00 — nessun risultato perso — con uno speedup tra 20 e 75 volte. Spostandosi su 40 milioni di vettori e selettività allo 0,01%, lo speedup è di 13 volte, sempre a recall pieno. Sono dati da prendere con cautela, come sempre quando il risultato è il massimo teorico, ma indicano che il margine di miglioramento rispetto alle soluzioni esistenti è tutt’altro che esaurito.
E ora? La mappa del potere nella ricerca vettoriale
Il panorama intanto si è già mosso su più binari. Il blog tecnico di Qdrant spiega che ACORN‑1 è attivo come parametro di query, ma segnala anche il calo di recall all’1% di selettività — lo stesso che RACORN‑1 mira a risolvere. L’integrazione di una nuova versione non è immediata, ma chi ha già adottato ACORN‑1 si trova davanti a una scelta: aspettare che il problema venga rattoppato oppure muoversi verso l’alternativa.
Un’altra strada è Curator, descritto nel paper pubblicato a gennaio 2026. Curator riduce la latenza delle query a bassa selettività fino a 20,9 volte rispetto al fallback di pre‑filtraggio, con un aumento contenuto del tempo di costruzione (5,5%) e dell’impronta di memoria (4,3%). Non è un concorrente diretto di RACORN‑1, ma mostra che la comunità tecnica sta investendo molto sul punto dolente della ricerca vettoriale filtrata: mantenere alta la precisione quando il bacino si restringe.
Resta una domanda aperta. RACORN‑1+ arriva a recall 1.00 con speedup 20‑75x in alcuni scenari. Vuol dire che la corsa è finita? Probabilmente no, ma l’asticella si è alzata. Per chi gestisce sistemi di recupero in produzione, ignorare RACORN‑1 significa accettare un collasso di precisione che in certe condizioni — quelle esattamente più preziose — può costare caro. Questa volta non ci sono scuse: i numeri dicono che si può fare di meglio, e qualcuno lo sta già facendo.
