待翻譯：Filtered Vector Search: What ACORN Fixes, and What Fixes ACORN 2026-08-07 08:00 UTC+8 AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：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 服務暫時不可用，系統已先保留來源內容與降級後設資料。 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… 無需大語言模型的弱檢索預測 2026-06-24 05:00 UTC+8 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。
弱檢索發生在所需證據未出現在前k個結果中，即使更深層次召回率很高。 廉價訊號如稠密方差（分散度）、稠密與稀疏檢索器的一致性以及最高分數，可預測弱檢索，AUC最高達0.76。 Qdrant中的TurboQuant 2026-05-13 16:00 UTC+8 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。
TurboQuant是一種新的旋轉基向量量化演算法，在4倍壓縮下召回率與SQ相當，2位和1位模式下比BQ高出9-24個百分點。 Qdrant透過長度歸一化和各座標校準（各向異性補償）增強了TurboQuant，使其適用於實際生產嵌入。 針對電商搜尋微調稀疏嵌入 | 第2部分：在Modal上訓練SPLADE 2026-03-09 08:00 UTC+8 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。
使用Amazon ESCI資料集，將精確匹配和替代品作為正樣本訓練SPLADE模型。 產品文本格式化對稀疏嵌入至關重要，採用括號標註品牌、管道符分隔部分等方式保持詞彙訊號。 微調稀疏嵌入用於電子商務搜尋 | 第一部分：為什麼稀疏嵌入優於 BM25 2026-03-09 08:00 UTC+8 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。
密集嵌入在電子商務中會模糊精確匹配，導致不相關搜尋結果。 稀疏嵌入透過大詞彙空間保留每個詞的重要性權重，實現精確匹配和可解釋性。 基於距離的資料探索 2025-03-11 17:00 UTC+8 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。
Qdrant 1.12版推出的距離矩陣API簡化了資料相似性分析，可高效計算距離矩陣。 使用UMAP進行降維，將高維資料對映到2D空間以視覺化整體結構。 Qdrant 2024年夏季程式碼計劃——Python中的ONNX交叉編碼器 2024-10-14 13:00 UTC+8 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。
交叉編碼器已整合到FastEmbed中，用於重排序任務。 專案使用ONNX模型，避免PyTorch等重型依賴。 什麼是向量資料庫？ 2024-10-09 20:29 UTC+8 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。
向量資料庫將非結構化資料表示為高維向量，實現基於相似性的檢索。 核心元件包括唯一ID、數值維度和包含後設資料的負載。 什麼是向量量化？ 2024-09-25 20:29 UTC+8 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。
向量量化可顯著降低記憶體使用並提升搜尋速度，尤其適用於大規模資料集。 標量量化將float32對映到int8，減少75%記憶體，是大多數應用的安全預設選擇。 Qdrant 1.7.0 正式釋出！ 2023-12-10 18:00 UTC+8 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。
原生支援稀疏向量，實現關鍵詞與語義混合搜尋 Discovery API 提供發現搜尋和上下文搜尋兩種新模式 關於非結構化資料、向量資料庫、AI新時代以及我們的種子輪融資 2023-04-19 08:42 UTC+8 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。
Qdrant獲得750萬美元種子輪融資，用於開發開源向量資料庫。 向量資料庫是AI新棧的基礎元件，用於處理非結構化資料。