本文提出了一种在单个GPU上对十亿级向量数据库执行全同态加密（FHE）最近邻搜索的系统，核心目标是让服务器在无法看到明文查询的情况下完成相似度评分，并返回仅客户端可解的加密结果。为了解决全库加密评分在十亿规模下速度过慢的问题，作者结合了两种技术：一是秩缩减，即通过降维减小每个向量的维度；二是层次化路由，即先粗粒度筛选出少量候选集，再在候选集内精细匹配，整个流程均在加密状态下进行。实验在三个不同规模的语料库上展开：包含约22万个人脸质心（512维）的语料库、包含13.9亿个512维CLIP向量的DataComp-1B，以及包含10亿个96维向量的Deep1B。在DataComp-1B上，系统在GPU上实现了单次加密查询约6秒的延迟，recall@10达到0.90（若近重复图片也计为正确则可达0.95）；轻量配置下延迟约1.8秒，recall@10为0.78/0.83。在Deep1B上，全级别FHE下recall@10为0.90（在2000次查询中测得0.9045，与明文路由的0.906基本一致），每次查询热延迟2.3秒。以上延迟均为服务器端可部署的“热”延迟，不包含客户端解密和网络传输。作者详细描述了可复现的客户端-服务器协议，并报告了各配置下的精度与延迟。此外，论文量化了该加速方案带来的隐私代价：层次化路由的访问模式会泄露数据库的几何结构，仅凭访问模式即可恢复72%的粗粒度单元邻居图；为此作者提出种子（固定组）填充方法，可将泄漏降至约2%，而朴素填充会被重复查询攻击轻易攻破。