Qdrant Blog

大多數檢索系統對所有查詢使用單一管道，這種做法既不合適：單一管道對困難查詢服務不足，對簡單查詢則浪費計算資源。本文提出了無需大語言模型的廉價訊號——如分數分散和檢索器一致性——來檢測弱檢索，從而實現僅在需要時進行選擇性升級。

Qdrant 1.18推出了TurboQuant，一種基於Google Research的旋轉向量量化方法，並進行了擴充套件以適用於生產級嵌入。它提供4位、2位、1.5位和1位的量化選項，在壓縮率和召回率上優於或相當於標量量化(SQ)和二進位制量化(BQ)。本文介紹了TurboQuant的原理、Qdrant的增強實現（長度歸一化和各座標校準）以及基準測試結果。

本文是五部分系列的第二部分，介紹瞭如何在Modal的無伺服器GPU上訓練SPLADE模型，使用Amazon ESCI資料集進行電商搜尋。文章涵蓋了資料載入、產品文本格式化、Modal應用設定、SPLADE模型建立、訓練函式、SpladeLoss理解、YAML配置、並行超引數搜尋以及避免的陷阱。目標是構建一個針對電商搜尋最佳化的稀疏嵌入模型。

本文是系列文章的第一部分，探討了在電子商務搜尋中微調稀疏嵌入的優勢。與密集嵌入相比，稀疏嵌入保留了精確匹配的關鍵細節，避免了語義模糊導致的不相關結果。文章介紹了SPLADE模型的工作原理、查詢擴充套件能力以及Qdrant資料庫對稀疏向量的原生支援。透過微調，該系統在Amazon ESCI資料集上實現了比BM25高出29%的效能提升。

本文介紹如何利用Qdrant的距離矩陣API進行資料探索，包括降維、聚類和圖表示等方法，幫助發現大規模非結構化資料中的隱藏結構。

本文中，Huong (Celine) Hoang分享了她在Qdrant夏季程式碼計劃期間將ONNX交叉編碼器整合到FastEmbed庫的經歷。該專案透過相關性分數實現搜尋結果重排序，增強了上下文感知搜尋應用的能力。主要挑戰包括構建新的輸入輸出方案、分詞處理、模型載入與測試。該功能已在FastEmbed 0.4.0中可用。

本文介紹向量資料庫的基本概念、與傳統資料庫的區別、核心元件（ID、維度、負載）、架構（集合、距離度量、儲存）、主要功能（索引、搜尋、更新、刪除），以及密集向量與稀疏向量、混合搜尋、量化、分散式部署、多租戶和資料安全等高階特性。

向量量化是一種用於壓縮高維資料的技術，透過減少記憶體佔用同時保留關鍵資訊，實現更高效的儲存和搜尋。本文介紹了三種主要的量化方法：標量量化、二進位制量化和乘積量化，並討論瞭如何平衡精度、速度和壓縮率。

Qdrant 1.7.0 引入了對稀疏向量的原生支援，實現了關鍵詞搜尋與語義搜尋的混合檢索；全新的 Discovery API 提供了更精確的向量搜尋方式，包括髮現搜尋和上下文搜尋；使用者自定義分片功能允許靈活控制資料分佈；基於快照的分片傳輸機制提升了叢集擴充套件效率。此外，還包含多項效能最佳化和穩定性改進。

Qdrant宣佈完成750萬美元種子輪融資，由Unusual Ventures領投。文章討論向量資料庫在AI時代的重要性，非結構化資料的爆炸式增長，以及Qdrant作為開源向量相似性搜尋解決方案的進展和未來計劃。