Últimos benchmarks

Throughput cara a cara

Name: HotKV
Author: HotKV Ltd

En la prueba que HotKV Ltd realizó con HotKV, Redis, Valkey y Dragonfly en una instancia en la nube, HotKV registró el mayor throughput mediano en 11 de 12 comandos. En PING, Dragonfly midió un 0,6 % más, algo que queda dentro del límite de los generadores de carga, así que lo contamos como un empate. Estos resultados se aplican a las compilaciones y los ajustes probados. Consulta la metodología más abajo.

Cómo medimos

1/6

Misma máquina
Cada servidor se ejecuta en la misma instancia, uno cada vez.
Generadores de carga separados
La carga la generan máquinas cliente dedicadas, nunca la propia máquina del servidor.
Mismos ajustes
Cada servidor recibe el mismo número de hilos y ningún otro ajuste.
Mediana de 3 ejecuciones
Cada comando se ejecuta 3 veces. Se muestra la mediana.
Límites señalados
Los resultados determinados por la red o por los generadores de carga están señalados.
Método completo
Cada ajuste, límite y salvedad se detalla debajo de los resultados.

Azure D160alds_v7AMD EPYC 9V45 (Turin)

CPU:: AMD EPYC 9V45 (Turin)
vCPUs:: 160
Arquitectura:: x86_64
RAM:: 314,8 GB
Red:: 78 Gbps de salida, 132+ Gbps de entrada
Hilos:: 160 por servidor (Redis 128, su máximo)
Medido:: 9 de octubre de 2026

HotKV Redis 8.10.2Valkey 9.1.2Dragonfly 2.0.2

Operaciones por segundo, mediana de 3 ejecuciones. Cada barra está escalada respecto al servidor más rápido en ese comando.

SET

50.5M

3.4M

2.9M

15.0M

GET

36.6M

1.1M

1.6M

13.4M

MGET

4.6M

278K

537K

2.3M

SETNX

55.3M

1.4M

1.9M

14.4M

APPEND

25.1M

1.5M

1.3M

8.9M

INCR

90.8M

2.1M

1.9M

20.6M

LPUSH

31.6M

1.2M

842K

10.6M

RPUSH

43.8M

628K

878K

11.0M

SADD

50.6M

2.1M

894K

12.0M

HSET

29.0M

537K

782K

9.8M

MSET

11.3M

379K

465K

2.9M

PING

125.2M

3.2M

3.5M

126.0M

Resultado más alto en ese comando.
Limitado por la red: la red de la instancia determinó este resultado, por lo que el límite propio del servidor es mayor.
Limitado por el generador de carga: las máquinas generadoras de carga superaron el 85 % de uso de CPU, así que este es su techo, no el del servidor.

Azure mide y limita el tráfico saliente: iperf3 midió 78 Gbps de salida y al menos 132 Gbps de entrada con tres máquinas cliente. GET y MGET envían valores hacia fuera. El GET de HotKV usó el 88 % del tope de salida, así que es un mínimo fijado por la instancia, no un límite del servidor, y su MGET, con el 83 %, queda muy cerca. Las lecturas de Dragonfly usaron como máximo el 44 % del tope.
Las escrituras llegan como tráfico entrante, así que los resultados de escritura son cifras del servidor. La más pesada, SETNX con unos 106 Gbps, usó cerca del 80 % del techo de entrada, por lo que conviene tratar las cifras de escritura de HotKV como cotas inferiores moderadas.
En PING, los generadores de carga llegaron al 86 % de CPU con HotKV y al 82 % con Dragonfly. El 0,6 % que los separa queda dentro de ese límite, así que PING es un empate.

comandos en los que HotKV tuvo el mayor throughput

PING fue para Dragonfly

Pico de HotKV, en PING

† Limitado por el generador de carga

HotKV frente a Redis, por comando

Los 12 comandos

HotKV frente a Valkey, por comando

Los 12 comandos

HotKV frente a Dragonfly, por comando

Entre los 11 comandos en los que HotKV lideró. PING: 0.99x

Cifras exactas para Azure D160alds_v7

Mediana de operaciones por segundo para cada comando en Azure D160alds_v7, y el resultado de HotKV como múltiplo del de cada uno de los demás servidores
Comando	HotKV	Redis	Valkey	Dragonfly	HotKV frente a Redis	HotKV frente a Valkey	HotKV frente a Dragonfly
SET	Valor más alto: 50,480,621	3,409,794	2,882,486	15,042,258	14.80x	17.51x	3.36x
GET	Valor más alto: 36,643,656(Limitado por la red)	1,132,934	1,631,573	13,446,228	32.34x	22.46x	2.73x
MGET	Valor más alto: 4,617,382	277,956	536,872	2,348,137	16.61x	8.60x	1.97x
SETNX	Valor más alto: 55,333,360	1,397,967	1,860,919	14,442,422	39.58x	29.73x	3.83x
APPEND	Valor más alto: 25,050,648	1,530,680	1,290,421	8,858,165	16.37x	19.41x	2.83x
INCR	Valor más alto: 90,783,545	2,104,069	1,918,073	20,603,259	43.15x	47.33x	4.41x
LPUSH	Valor más alto: 31,617,779	1,247,914	842,106	10,579,641	25.34x	37.55x	2.99x
RPUSH	Valor más alto: 43,776,706	628,324	878,476	11,014,977	69.67x	49.83x	3.97x
SADD	Valor más alto: 50,626,647	2,053,737	894,438	12,044,417	24.65x	56.60x	4.20x
HSET	Valor más alto: 28,997,514	536,527	781,768	9,797,534	54.05x	37.09x	2.96x
MSET	Valor más alto: 11,275,369	378,641	464,801	2,941,342	29.78x	24.26x	3.83x
PING	125,232,520(Limitado por el generador de carga)	3,235,600	3,480,446	Valor más alto: 126,033,542	38.70x	35.98x	0.99x

Metodología del benchmark

Benchmarks realizados por HotKV Ltd. Dentro de cada configuración de hardware, los productos se probaron por separado como instancias únicas en el mismo hardware de servidor, con los ajustes de hilos documentados, la persistencia desactivada, valores de 256 bytes y una profundidad de pipeline de 30. El throughput indicado es la mediana de tres ejecuciones, y cada ejecución se calcula sumando el throughput de memtier informado por los generadores de carga. Los resultados se aplican a estas versiones, configuraciones y cargas de trabajo. Otros ajustes, otras cargas de trabajo o los despliegues en clúster pueden dar resultados diferentes.

El HotKV medido se compiló desde el código fuente para esta CPU. El número de hilos siguió la configuración documentada para todos los núcleos y no se ajustó individualmente para cada producto.

Metodología y resultados en bruto

Medido frente a los vector sets de Redis 8.10.2

Más rápido que los vector sets de Redis 8 en nuestra prueba

Cargamos los mismos embeddings de OpenAI en HotKV y en Redis 8 y ejecutamos las mismas 1000 consultas contra cada uno, con entre 1 y 100 conexiones de cliente concurrentes, en una sola máquina. Ambos guardaban vectores de precisión completa, con los mismos ajustes de índice.

las consultas por segundo de Redis, con entre 1 y 100 clientes, con un recall del 95 % o superior en 999.000 vectores

Consultas por segundo con el mismo recall

Recall del 90 % o superior7,9x las consultas por segundo

Redis8061 consultas/s

Redis

8061 consultas/s

HotKV63.897 consultas/s

HotKV

63.897 consultas/s

Recall del 95 % o superior5,5x las consultas por segundo

Redis6825 consultas/s

Redis

6825 consultas/s

HotKV37.508 consultas/s

HotKV

37.508 consultas/s

Recall del 99 % o superior5,0x las consultas por segundo

Redis2483 consultas/s

Redis

2483 consultas/s

HotKV12.393 consultas/s

HotKV

12.393 consultas/s

5,0x

más rápido en cargar 999.000 vectores: 188 s frente a 935 s en Redis, con 32 conexiones cada uno

1,3 ms

tiempo mediano de consulta con 50 clientes con un recall del 95 % (Redis: 7,2 ms)

5 de 5

profundidades de búsqueda en las que el recall@10 de HotKV fue mayor que el de Redis

Ambos motores guardaron vectores float32 de precisión completa. Tras cargar 999.000 vectores, el proceso de HotKV ocupaba 6,77 GB y el de Redis 7,01 GB.

No se midieron: el modo cuantizado de 8 bits que Redis usa por defecto, el Redis Query Engine, otros conjuntos de datos ni otro hardware. La compilación de HotKV es una compilación de desarrollo que no se ha publicado. Redis se cargó fijado a cuatro vCPU y se consultó sobre un índice recargado (véase el artículo).

Todas las cifras: 999.000 vectores, 50 clientes

Recall y throughput de HotKV y Redis en cada profundidad de búsqueda probada, para el tamaño de índice y el número de clientes seleccionados
ef	Recall de HotKV	Recall de Redis	Consultas/s de HotKV	Consultas/s de Redis	Relación
40	0,940	0,923	63.897	8061	7,9x
80	0,970	0,962	37.508	6825	5,5x
150	0,987	0,980	21.912	5241	4,2x
300	0,993	0,990	12.393	3454	3,6x
500	0,997	0,994	7688	2483	3,1x

Compilación de HotKV c8dafd37 y Redis 8.10.2, similitud coseno, HNSW con M=16 y ef_construction=200 en ambos, float32 en ambos (Redis NOQUANT). El recall es recall@10 frente a los resultados exactos de fuerza bruta. Mediana de 3 ejecuciones en Azure Standard_D160alds_v7, AMD EPYC 9V45, 160 vCPUs. Los servidores compartieron 128 vCPUs y los generadores de carga se ejecutaron en otras 32, con el mismo código de cliente para ambos.

Conjunto de datos: embeddings de dbpedia-entities-openai-1M (OpenAI text-embedding-ada-002, 1536 dimensiones) de Kumar Shivendu and Nirant Kasliwal, con licencia MIT, más 1000 consultas reservadas. Método completo, scripts y resultados en bruto. Medido el 14 de octubre de 2026.

¿Listo para poner HotKV a trabajar?

Obtén acceso anticipado y explora HotKV con tu carga de trabajo.

Acceso anticipado