# Qdrant: какую метрику сходства выбрать для поиска

Источник: https://modelium.tech/zhurnal/qdrant-distance-metrics/

Метрика определяет, какие векторы Qdrant считает близкими. Для готовой модели сначала проверьте рекомендацию её автора; если её нет, документация Qdrant предлагает Cosine как отправную точку. Настройку уже созданной коллекции можно прочитать без изменения данных, но оценивать полезность выдачи нужно на собственных примерах.

**Технический уровень.** Для команды ниже нужны уже работающий локальный Qdrant v1.19.x, терминал Linux/macOS и учебная коллекция `demo_docs` из [начального гайда](/zhurnal/qdrant-lokalno/). Это не домашний рецепт установки AI-модели. Текст сверен с документацией 20 октября 2026 года. Редакция проверила команду на имитации HTTP-сервера, но не запускала Qdrant или модель. [s2](#src-s2) [s4](#src-s4)

## Что меняется при выборе метрики?

Представьте, что вы ищете заметку по смыслу. Модель векторизации превращает запрос и заметки в списки чисел — *векторы*. Метрика задаёт правило сравнения этих списков. При создании коллекции Qdrant сохраняет выбранную меру близости в настройке `distance`; сначала прочитайте рекомендации автора **той модели**, которая создала ваши векторы. Если рекомендации нет, официальный курс Qdrant предлагает начать с `Cosine`, а затем проверить результаты на своих запросах. Это отправная точка, не обещание точного поиска. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

- `Cosine` сравнивает направление векторов, игнорируя различие их длин; Qdrant нормализует векторы при записи в такую коллекцию. Например, придуманные `[1, 0]` и `[2, 0]` смотрят в одну сторону: их косинусная близость равна `1`, хотя длины различаются. В закреплённой карточке **Qwen3-Embedding-0.6B** авторский пример сравнивает текстовые векторы через cosine similarity. Это пример выбора метрики, **не** инструкция загрузки этой модели или доказательство качества на русском документе. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

- `Dot` учитывает и направление, и длину. Используйте его не потому, что он «быстрее вообще», а когда это соответствует обучению модели и смыслу её векторов. [s1](#src-s1)

- `Euclid` измеряет расстояние между числовыми точками; масштаб чисел меняет расстояние. Для собственных числовых признаков сначала проверьте их единицы измерения и рекомендации метода подготовки. Qdrant также поддерживает `Manhattan`; не нужно перебирать все четыре варианта ради одного первого результата. [s1](#src-s1) [s2](#src-s2)

## Как узнать меру уже созданной коллекции?

Если вы сделали учебную коллекцию `demo_docs` по [инструкции запуска Qdrant](/zhurnal/qdrant-lokalno/), откройте терминал **на том же компьютере** и прочитайте её параметры: `curl -fsS 'http://127.0.0.1:6333/collections/demo_docs'`. Это GET-запрос: он не меняет коллекцию. В ответе найдите `result.config.params.vectors.distance`; для учебной `demo_docs` из связанного гайда ожидается `Cosine`. Если сервер отвечает ошибкой, проверьте, запущен ли Qdrant и создали ли именно эту коллекцию; не создавайте и не удаляйте рабочие данные только ради проверки. При нескольких именованных векторах смотрите `distance` внутри конфигурации **нужного имени**, а не первого попавшегося. [s2](#src-s2) [s4](#src-s4)

Следующий шаг — сравнить найденное значение с документацией вашей модели векторизации. Для Qwen3-Embedding-0.6B смотрите [её карточку](/zhurnal/qwen3-embedding/) и закреплённый первоисточник выше; пример `demo_docs` содержит короткие искусственные векторы, его нельзя заполнять настоящими векторами модели без согласования размерности. Затем проверьте, что ваши контрольные запросы находят нужный документ, а не только дают красивый числовой балл. Для подробного чтения настроек есть [отдельный гайд](/zhurnal/qdrant-proverit-sushchestvovanie-kollekcii/). [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Если метрика не подходит, можно просто переключить её?

Не меняйте метрику рабочей коллекции вслепую: официальный курс рекомендует при неверном выборе создать коллекцию с правильной метрикой и повторно загрузить данные; алиас может переключить приложение после проверки новой коллекции. Начиная с Qdrant v1.18, документация также описывает добавление второго именованного вектора с нужной метрикой и повторную векторизацию данных, но это отдельная миграция, не действие в этом гайде. Баллы и пороги другой метрики не переносите как готовые значения: [проверьте порог](/zhurnal/qdrant-score-threshold/) на собственном наборе запросов. Этот материал объясняет выбор и чтение настройки, а не гарантирует качество векторизации. [s1](#src-s1) [s5](#src-s5)

## Источники

1. [Qdrant — Distance Metrics (Essentials)](https://qdrant.tech/course/essentials/day-1/distance-metrics/index.md) — получено 2026-10-20
2. [Qdrant — Collections: distance metrics и конфигурация](https://qdrant.tech/documentation/concepts/collections/index.md) — получено 2026-10-20
3. [Qwen — Qwen3-Embedding-0.6B model card](https://huggingface.co/Qwen/Qwen3-Embedding-0.6B/blob/97b0c614be4d77ee51c0cef4e5f07c00f9eb65b3/README.md) — получено 2026-10-20
4. [Qdrant API v1.19.x — Get collection details](https://api.qdrant.tech/v-1-19-x/api-reference/collections/get-collection.md) — получено 2026-10-20
5. [Qdrant — Distance Metrics (Beginners)](https://qdrant.tech/course/beginners/module-2/distance-metrics/index.md) — получено 2026-10-20