待翻译：Filtered Vector Search: What ACORN Fixes, and What Fixes ACORN 2026-08-07 08:00 UTC+8 AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Filtered vector search breaks when metadata filters turn a healthy nearest-neighbor graph into scattered islands. HNSW’s m parameter controls how many links each point gets. At Qdrant’s default m=16, the one-million-point collection benchmarked below averaged about 21 links per node on layer 0. Filter out 96% of the points and fewer than one link per node survives on average, so traversal can get stranded before it reaches the true nearest matches.
AI 服务暂时不可用，系统已先保留来源内容与降级元数据。 Filtered vector search breaks when metadata filters turn a healthy nearest-neighbor graph into scattered islands. HNSW’s m parameter controls how many links each point gets. At Qd… 无需大语言模型的弱检索预测 2026-06-24 05:00 UTC+8 大多数检索系统对所有查询使用单一管道，这种做法既不合适：单一管道对困难查询服务不足，对简单查询则浪费计算资源。本文提出了无需大语言模型的廉价信号——如分数分散和检索器一致性——来检测弱检索，从而实现仅在需要时进行选择性升级。
弱检索发生在所需证据未出现在前k个结果中，即使更深层次召回率很高。 廉价信号如稠密方差（分散度）、稠密与稀疏检索器的一致性以及最高分数，可预测弱检索，AUC最高达0.76。 Qdrant中的TurboQuant 2026-05-13 16:00 UTC+8 Qdrant 1.18推出了TurboQuant，一种基于Google Research的旋转向量量化方法，并进行了扩展以适用于生产级嵌入。它提供4位、2位、1.5位和1位的量化选项，在压缩率和召回率上优于或相当于标量量化(SQ)和二进制量化(BQ)。本文介绍了TurboQuant的原理、Qdrant的增强实现（长度归一化和各坐标校准）以及基准测试结果。
TurboQuant是一种新的旋转基向量量化算法，在4倍压缩下召回率与SQ相当，2位和1位模式下比BQ高出9-24个百分点。 Qdrant通过长度归一化和各坐标校准（各向异性补偿）增强了TurboQuant，使其适用于实际生产嵌入。 针对电商搜索微调稀疏嵌入 | 第2部分：在Modal上训练SPLADE 2026-03-09 08:00 UTC+8 本文是五部分系列的第二部分，介绍了如何在Modal的无服务器GPU上训练SPLADE模型，使用Amazon ESCI数据集进行电商搜索。文章涵盖了数据加载、产品文本格式化、Modal应用设置、SPLADE模型创建、训练函数、SpladeLoss理解、YAML配置、并行超参数搜索以及避免的陷阱。目标是构建一个针对电商搜索优化的稀疏嵌入模型。
使用Amazon ESCI数据集，将精确匹配和替代品作为正样本训练SPLADE模型。 产品文本格式化对稀疏嵌入至关重要，采用括号标注品牌、管道符分隔部分等方式保持词汇信号。 微调稀疏嵌入用于电子商务搜索 | 第一部分：为什么稀疏嵌入优于 BM25 2026-03-09 08:00 UTC+8 本文是系列文章的第一部分，探讨了在电子商务搜索中微调稀疏嵌入的优势。与密集嵌入相比，稀疏嵌入保留了精确匹配的关键细节，避免了语义模糊导致的不相关结果。文章介绍了SPLADE模型的工作原理、查询扩展能力以及Qdrant数据库对稀疏向量的原生支持。通过微调，该系统在Amazon ESCI数据集上实现了比BM25高出29%的性能提升。
密集嵌入在电子商务中会模糊精确匹配，导致不相关搜索结果。 稀疏嵌入通过大词汇空间保留每个词的重要性权重，实现精确匹配和可解释性。 基于距离的数据探索 2025-03-11 17:00 UTC+8 本文介绍如何利用Qdrant的距离矩阵API进行数据探索，包括降维、聚类和图表示等方法，帮助发现大规模非结构化数据中的隐藏结构。
Qdrant 1.12版推出的距离矩阵API简化了数据相似性分析，可高效计算距离矩阵。 使用UMAP进行降维，将高维数据映射到2D空间以可视化整体结构。 Qdrant 2024年夏季代码计划——Python中的ONNX交叉编码器 2024-10-14 13:00 UTC+8 本文中，Huong (Celine) Hoang分享了她在Qdrant夏季代码计划期间将ONNX交叉编码器集成到FastEmbed库的经历。该项目通过相关性分数实现搜索结果重排序，增强了上下文感知搜索应用的能力。主要挑战包括构建新的输入输出方案、分词处理、模型加载与测试。该功能已在FastEmbed 0.4.0中可用。
交叉编码器已集成到FastEmbed中，用于重排序任务。 项目使用ONNX模型，避免PyTorch等重型依赖。 什么是向量数据库？ 2024-10-09 20:29 UTC+8 本文介绍向量数据库的基本概念、与传统数据库的区别、核心组件（ID、维度、负载）、架构（集合、距离度量、存储）、主要功能（索引、搜索、更新、删除），以及密集向量与稀疏向量、混合搜索、量化、分布式部署、多租户和数据安全等高级特性。
向量数据库将非结构化数据表示为高维向量，实现基于相似性的检索。 核心组件包括唯一ID、数值维度和包含元数据的负载。 什么是向量量化？ 2024-09-25 20:29 UTC+8 向量量化是一种用于压缩高维数据的技术，通过减少内存占用同时保留关键信息，实现更高效的存储和搜索。本文介绍了三种主要的量化方法：标量量化、二进制量化和乘积量化，并讨论了如何平衡精度、速度和压缩率。
向量量化可显著降低内存使用并提升搜索速度，尤其适用于大规模数据集。 标量量化将float32映射到int8，减少75%内存，是大多数应用的安全默认选择。 Qdrant 1.7.0 正式发布！ 2023-12-10 18:00 UTC+8 Qdrant 1.7.0 引入了对稀疏向量的原生支持，实现了关键词搜索与语义搜索的混合检索；全新的 Discovery API 提供了更精确的向量搜索方式，包括发现搜索和上下文搜索；用户自定义分片功能允许灵活控制数据分布；基于快照的分片传输机制提升了集群扩展效率。此外，还包含多项性能优化和稳定性改进。
原生支持稀疏向量，实现关键词与语义混合搜索 Discovery API 提供发现搜索和上下文搜索两种新模式 关于非结构化数据、向量数据库、AI新时代以及我们的种子轮融资 2023-04-19 08:42 UTC+8 Qdrant宣布完成750万美元种子轮融资，由Unusual Ventures领投。文章讨论向量数据库在AI时代的重要性，非结构化数据的爆炸式增长，以及Qdrant作为开源向量相似性搜索解决方案的进展和未来计划。
Qdrant获得750万美元种子轮融资，用于开发开源向量数据库。 向量数据库是AI新栈的基础组件，用于处理非结构化数据。