VectorDBBench fonctionne-t-il ?

Oui. VectorDBBench fonctionne. Argusic l'a installé et lancé sur une machine propre en 12 minutes, en rencontrant 6 erreurs en route, et a enregistré la session.

Comment Argusic a-t-il testé VectorDBBench ?

Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 1760db148b95. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.

Combien a coûté le test de VectorDBBench ?

L'exécution qui a produit ce verdict a coûté 0,28 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.

Combien de temps faut-il pour installer VectorDBBench ?

12 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.

VectorDBBench a-t-il besoin d'un GPU ?

Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.

Qu'est-ce qui pose problème lors de l'installation de VectorDBBench ?

6 problèmes sont survenus lors de l'exécution enregistrée, et 6 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.

Où sont les preuves pour VectorDBBench ?

Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.

Original en anglais: https://argusic.com/subject/vectordbbench

VectorDBBench

Benchmark pour bases de données vectorielles.

Fonctionnesource : GitHub page d'accueilPythonMITcommit 1760db148b95

Python, sous licence MIT. Le projet se décrit ainsi : benchmark, cost effectiveness, performance, vector database, vector search et vectordb.

VectorDBBench fonctionne. Un agent Argusic l'a installé en 12 minutes et a rencontré 6 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.

vectordb-bench installed from source in venv, 247 of 256 unit tests pass, CLI and REST API both operable
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré

Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 60 sur 100 (la moyenne des scores des exécutions de ce projet).

En un coup d'œil

verdict: Fonctionne
Score Argusic: 60 / 100
coût de l'exécution de vérification: 0,28 USD (mesuré)
exécutions enregistrées: 2
dernier test: 2026-10-10
étoiles: 1 200
forks: 451
issues ouvertes: 179
observateurs: 14
taille: 5 MB
créé le: 2023-05-10
dernier push: 2026-11-04

Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le 2026-11-04. Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.

Ce qui a été mesuré

Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.

Temps perdu à cause de chaque échec lors du test de VectorDBBench, tiré de l'exécution enregistrée — Chaque barre est un échec enregistré par l'agent, avec le temps qu'il a coûté. Tiré de cette exécution, et de nulle part ailleurs.

Ce qui s'est mal passé, dans les mots de l'agent

Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.

Missing optional deps: opensearch-py, chromadb, pinecone, elasticsearch, mysql-connector-python, turbopuffer, pyvespa, flask3 minutes
PEP 668 externally managed environment blocks system pip install2 minutes
test_elasticsearch_cloud.py imports broken ElasticsearchConfig from wrong module2 minutes
test_bench_runner.py uses DB.Milvus.config() and CaseType.PerformanceSZero which don't exist2 minutes
test_fts_filter_runner.py mocks lack case_config attr needed by CaseRunner2 minutes
test_models.py merge test globs legacy dbPrices.json without run_id key1 minute

Temps d'installation: 12 minutes
De la machine vierge à la fin: 22 minutes
Erreurs rencontrées et corrigées: 6 rencontrées, 6 corrigées sans aide humaine
Comment le résultat a été prouvé: pytest returned '247 passed, 1 skipped' across runnable unit tests; vectordbbench --help exits 0; init_bench_rest Flask server starts and /get_status returns 200
Tokens de modèle utilisés: 207 659
Commit exact testé: 1760db148b95
Image de conteneur: sha256:cdd920bce783

Ce qui n'a pas été mesuré

L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.

Pic de mémoire GPU: cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
Comportement sur une longue durée: chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge

La fin de l'enregistrement

Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.

**REST API verification:** `init_bench_rest --help` starts the Flask server, `/get_status` returns …
exec
/bin/sh -lc "cat << 'ENDOFJSON'
{\"install_succeeded\": true, \"launch_succeeded\": true, \"install_minutes\": 12, \"errors\": [{\"…
ENDOFJSON" in /work/repo
 succeeded in 0ms:
{"install_succeeded": true, "launch_succeeded": true, "install_minutes": 12, "errors": [{"msg": "PE…
`vectordb-bench` installed and verified. 247 tests pass, CLI works, REST API starts. Fixed 6 issues…
2026-10-10T02:27:53.449943Z ERROR codex_core::session: failed to record rollout items: thread 01a12…
tokens used
207,659
`vectordb-bench` installed and verified. 247 tests pass, CLI works, REST API starts. Fixed 6 issues…

Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.

Comment le test a été mené

Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.

Points forts et limites

Des faits mesurés, pas des opinions. Comment ce site est rédigé.

Ce qui s'est bien passé

A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
Installé en 12 minutes.
S'est remis des 6 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
Sous licence MIT, selon son hébergeur.
Mesuré 2 fois, le résultat n'est donc pas un cas isolé.

Pour quoi c'est un choix raisonnable

L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.

Également testés, dans le même domaine

Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.

Historique des exécutions

testé par	tentative	résultat	score	coût USD	date
Argusic Runner	2/3	Fonctionne	100,00	0,28	2026-10-10 02:28 UTC
Argusic Runner	1/3	N'a pas fonctionné	20,00	0,30	2026-10-10 01:57 UTC

Sujets (depuis GitHub)

benchmark cost-effectiveness performance vector-database vector-search vectordb

Intégrer le badge

Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.

[![Tested by Argusic](https://argusic.com/badge/VectorDBBench.svg)](https://argusic.com/subject/vectordbbench)

Questions

VectorDBBench fonctionne-t-il ?: Oui. VectorDBBench fonctionne. Argusic l'a installé et lancé sur une machine propre en 12 minutes, en rencontrant 6 erreurs en route, et a enregistré la session.
Comment Argusic a-t-il testé VectorDBBench ?: Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 1760db148b95. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
Combien a coûté le test de VectorDBBench ?: L'exécution qui a produit ce verdict a coûté 0,28 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
Combien de temps faut-il pour installer VectorDBBench ?: 12 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
VectorDBBench a-t-il besoin d'un GPU ?: Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
Qu'est-ce qui pose problème lors de l'installation de VectorDBBench ?: 6 problèmes sont survenus lors de l'exécution enregistrée, et 6 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
Où sont les preuves pour VectorDBBench ?: Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.