Qdrant客户端v1.14.1版本发布:本地推理与搜索增强
Qdrant是一个高性能向量搜索引擎,其Python客户端库提供了与Qdrant向量数据库交互的便捷接口。最新发布的v1.14.1版本带来了一系列重要改进,特别是在本地推理支持和搜索功能增强方面。
核心特性解析
原生本地推理支持
本次更新最显著的改进是通过与Fastembed的无缝集成,为QdrantClient的所有方法提供了原生推理支持。这意味着开发者现在可以直接在客户端进行向量化操作,而无需依赖外部服务。具体体现在:
- 废弃了原有的
add和query方法,推荐使用新的本地推理方式 - 支持在客户端直接处理文本到向量的转换,简化了应用架构
- 提高了开发效率,特别是在原型开发和小规模应用场景中
搜索功能增强
v1.14.1版本对搜索相关功能进行了多项改进:
-
服务器端分数增强:新增了对搜索结果进行服务器端分数调整的能力,使开发者可以更灵活地控制排序逻辑。
-
新增推荐策略:引入了
sum_score推荐策略,为推荐系统提供了更多算法选择。 -
地理多边形支持修复:解决了之前版本中地理多边形查询可能存在的问题,使地理位置相关搜索更加可靠。
架构优化与兼容性改进
依赖项精简
- 移除了grpcio-tools依赖,现在仅需要protobuf
- 优化了依赖管理,减少了不必要的包引入
类型提示增强
对类型提示系统进行了全面改进,提供了更准确的代码提示和静态检查支持,有助于:
- 提高开发效率
- 减少运行时错误
- 改善IDE支持
严格模式扩展
扩展了严格模式设置选项,为开发者提供了更细粒度的控制能力,可以根据项目需求调整严格性级别。
重要修复与行为变更
-
删除操作优化:现在尝试删除不存在的点不会抛出错误(本地模式下),使错误处理更加友好。
-
条件查询简化:在本地模式下,现在允许直接传递单个条件而不需要包装成列表,简化了查询构造。
-
请求限制处理:改进了对"太多请求"异常的处理,提高了高负载情况下的稳定性。
-
偏移量传播修正:偏移量不再传播到预取操作中,解决了某些边界情况下的行为不一致问题。
向后兼容性说明
-
Pydantic版本支持变更:不再支持Pydantic 2.0到2.2.1之间的版本,现在支持的版本为v1.10.x和>=2.21。
-
API弃用:原有的
add和query方法已被标记为弃用,建议开发者迁移到新的本地推理API。
实际应用建议
对于正在使用或考虑采用Qdrant的开发者,建议:
-
评估本地推理功能:对于中小规模应用或需要快速原型开发的项目,新的本地推理支持可以显著简化架构。
-
测试新的推荐策略:
sum_score策略可能在某些推荐场景下表现更好,值得进行对比测试。 -
规划迁移路径:如果使用了将被弃用的API,应制定迁移计划以避免未来兼容性问题。
-
利用类型提示改进:更新代码以充分利用增强的类型提示,提高代码质量和可维护性。
这个版本标志着Qdrant客户端在易用性和功能性上的重要进步,特别是本地推理支持的引入,为开发者提供了更大的灵活性和更简单的开发体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00