Qdrant: какую метрику сходства выбрать для поиска

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 s2 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 s2 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
• 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 s2

Как узнать меру уже созданной коллекции?

Если вы сделали учебную коллекцию demo_docs по инструкции запуска Qdrant, 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 s4

Следующий шаг — сравнить найденное значение с документацией вашей модели векторизации. Для Qwen3-Embedding-0.6B смотрите её карточку 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. s2 s3 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 на собственном наборе запросов. Этот материал объясняет выбор и чтение настройки, а не гарантирует качество векторизации. s1 s5