Qdrant 1.20 يبحث بالكلمات دون تضمينات ويسرّع الفلاتر المتداخلة من 7 إلى 38 مرة
يرتّب Qdrant 1.20 نتائج البحث بالكلمات (خوارزمية BM25) مباشرة من النص الموجود في حقول السجل، ولم تعد هناك حاجة إلى التضمينات (embeddings) ولا إلى المتجهات المتناثرة. في السابق كان كل مستند يمرّ عبر نموذج، وكان على المستخدم تتبّع متوسط أطوال النصوص يدويًا، أما الآن فيحسب Qdrant ذلك بنفسه. وتعمل الفلاتر المتداخلة من نوع «عرض متجر بسعر أقل من N» أسرع بمقدار 7 إلى 38 مرة مع الفهرس الجديد على عناصر المصفوفة. وفي أنظمة RAG الهجينة يستحق الأمر اختبار الانتقال إلى الفهرس الجديد على عنقود تجريبي.
معالج بواسطة الذكاء الاصطناعي من Qdrant Blog؛ بتحرير Hamidun News
إذا كنت تبني نظام RAG أو بحثًا في المستندات، فأنت تعرف المفاضلة المزعجة: البحث المتجهي يلتقط المعنى جيدًا، لكنه أضعف في العثور على الكلمات الدقيقة وأسماء الدوال والأرقام التعريفية للمنتجات. لذلك يُوضَع بجانبه عادةً بحث كلاسيكي بالكلمات المفتاحية مع ترتيب BM25. وهذه معادلة تحدد أي مستند هو الأكثر صلة: كلما تكرر الاستعلام في النص، وكلما ندرت الكلمة في بقية القاعدة، ارتفعت النتيجة. في إصدار Qdrant 1.20 أصبحت هذه الطبقة أبسط: يُحتسب BM25 مباشرة على النص الموجود أصلًا في حقول السجل (payload)، دون تضمينات. وإضافة إلى ذلك، تعمل الفلاتر المتداخلة على مصفوفات الكائنات، مثل قائمة عروض المتاجر للمنتج الواحد، أسرع بمقدار 7 إلى 38 مرة. كما أضاف الإصدار متجهات أكثر إحكامًا وإعدادات أكثر أمانًا للعنقود.
BM25 مباشرة من النص، دون تضمينات
كان ترتيب البحث النصي الكامل وفق BM25 يتطلب في السابق تحويل النص إلى متجهات متناثرة. وكان كل مستند وكل استعلام يمرّ بخطوة استدلال (inference) منفصلة. أما متوسط طول المستند فكان على المستخدم تتبّعه بنفسه، إذ يُدمج في كل متجه محفوظ. وإذا تغيرت البيانات، فلم يكن تحديثه ممكنًا إلا بإعادة تحويل المجموعة كاملة.
في الإصدار 1.20 يعمل BM25 على الفهرس النصي الكامل. تنشئ فهرسًا على حقل ما، مثل عنوان كتاب، وتفعّل احتساب BM25، ثم تبحث فورًا عن عبارة مثل «time travel». ويحسب Qdrant الإحصاءات بنفسه من البيانات، ومنها متوسط طول المستند، ولذلك تأتي التقديرات دقيقة دون ضبط يدوي. ويمكن تغيير معاملات BM25 على مستوى الاستعلام، ولا حاجة إلى إعادة بناء الفهرس لذلك. ويعمل هذا الاستعلام في كل مكان داخل Query API، بما في ذلك المخطط الهجين مع المتجهات الكثيفة. ولا يزال النهج القديم عبر المتجهات المتناثرة مدعومًا. وإذا كان النص موجودًا أصلًا في payload، فيمكن الانتقال إلى الفهرس دون إعادة تحميل البيانات.
وللبحث في الشيفرة البرمجية ظهر محلّل رموز (tokenizer) مخصص، أي القاعدة التي يُقسَّم بها النص إلى كلمات البحث. المحلّل المعتاد يقسّم السلسلة عند المسافات وعلامات الترقيم، أما في الشيفرة فيجمع المعرّف الواحد عدة كلمات بأنماط كتابة مختلفة. يقسّم المحلّل الجديد هذه المعرّفات عند الشرطات السفلية وتغيّر حالة الأحرف، بما في ذلك الاختصارات، فتتمكن صيغ snake_case وcamelCase من العثور على بعضها. ويُفهرَس المعرّف الكامل أيضًا.
فلاتر متداخلة أسرع ومتجهات أكثر إحكامًا
تخيّل منتجًا له عدة عروض، لكل منها متجر وسعر. يبحث الفلتر المتداخل عن المنتجات التي يطابق فيها العرض الواحد نفسه جميع الشروط معًا: المتجر المطلوب وسعر أقل من الحد المحدد. في السابق كانت الفهارس تكتفي بتضييق دائرة المرشحين، ثم يقرأ Qdrant payload كل مرشح، وعادةً من القرص. وإذا بقي عدد كبير من المرشحين، تباطأ الفلتر.
يمكن الآن إنشاء فهرس على عناصر المصفوفة، حيث يُخزَّن كل عنصر على حدة. وإذا اعتمدت جميع شروط الفلتر على فهارس من هذا النوع لمصفوفة واحدة، يُجمَّع الجواب دون قراءة payload. لا تتغير واجهة API، ولذلك تتسارع الاستعلامات القائمة فور إنشاء الفهارس. وفي اختبار على 100 ألف نقطة وثلاثة فلاتر متداخلة، تراوح التسارع بين 7 و38 مرة، حتى حين كانت جميع بيانات payload موجودة في الذاكرة. أما مع القراءة من القرص، فالفارق في تقدير المطوّرين على الأرجح أكبر.
وأضاف الكمّ العددي (quantization) نوعين من TurboQuant. النوع بدقة 16 بت يقلّص حجم متجهات float32 إلى النصف دون فقدان الدقة. وهو يطبّق أولًا تدويرًا من TurboQuant يوزّع القيم بالتساوي على الإحداثيات. وهذا مهم للتضمينات التي تضم بضع إحداثيات كبيرة جدًا، كما في ada-002 وCLIP وCohere. وعلى 13 مجموعة بيانات، جاء خطأ استعادة المتجه أقل بمقدار 7.5 مرة مما هو في float16. وعلى 12 مجموعة بيانات، اختلفت نسبة الجيران الصحيحين الذين عُثر عليهم ضمن أفضل 10 (recall@10) عن البحث الدقيق بما لا يزيد على 0.1 نقطة مئوية، بينما هبط float16 على ada-002 وCLIP إلى 99.5%. وبلغ متوسط زمن البحث عبر فهرس HNSW نسبة 81% من زمن float16 على معمارية x86 و83% على ARM.
أما TurboQuant بدقة 8 بت فيقبل متجهات float العادية ويكمّمها بنفسه. وهو يضغط البيانات نحو أربعة أضعاف، مقابل ثمانية أضعاف في النسخة بدقة 4 بت. وعند زمن استجابة مماثل، حقق على 10 من أصل 11 مجموعة بيانات اختبارية recall أعلى من الكمّ العددي، وعلى المجموعة المتبقية أظهر نتيجة مساوية.
الأمان والذاكرة والتحديث
يربط متتبّع المعرّفات (ID tracker) معرّف النقطة بموضعها الداخلي ونسختها. في السابق كان يقيم دائمًا في الذاكرة RAM، بنحو 52 بايتًا لكل نقطة، أي ما يقارب 5 غيغابايت لكل 100 مليون نقطة. أما الآن فيمكن إبقاؤه على القرص: إما بالقراءة عند الطلب، وإما بالتحميل في ذاكرة الصفحات المؤقتة عند فتح المقطع (segment). وبشكل افتراضي يبقى في RAM.
وعند تعيين مفتاح API، بات منفذ gRPC الداخلي للعنقود يشترط المصادقة افتراضيًا، ولا يقبل إلا المفاتيح الحاصلة على صلاحية الكتابة. ويمكن ربط المنفذ بواجهة خاصة منفصلة. وإضافة إلى ذلك، ظهرت اللقطات (snapshots) في GCS وAzure Blob Storage، وإخراج سجلات التدقيق إلى stdout أو stderr، وضبط المنطقة الزمنية للسجلات عبر متغير بيئة.
وللتحديث محاذير. يجب الترقية نسخة فرعية واحدة في كل مرة، مثلًا 1.18 ← 1.19 ← 1.20. أما العناقيد التي لم يُعيَّن فيها سوى مفتاح للقراءة فقط (read-only) فستحتاج إلى تعديلات قبل الترقية. كما أصبح التخزين المضمّن (inline) يحتفظ بالمتجهات الأصلية في ملف فهرس HNSW فقط، ولذلك تتبع مستوى الذاكرة المحدد له، وقد يرتفع استهلاك RAM. تحقق من إعدادات مستويات الذاكرة قبل التحديث.
الخلاصة العملية: إذا كان البحث الهجين لديك قائمًا على متجهات BM25 المتناثرة، فاختبر الانتقال إلى الفهرس النصي الكامل. وفي المجموعات الكبيرة، قِس أداء TurboQuant على تضميناتك الخاصة: فقد تختلف النتائج على بياناتك عن اختبارات المطوّرين المرجعية.
- 21 نوفمبر 2026أسعار ذاكرة الفلاش لأقراص SSD تتراجع بنسبة 19–32% في الصفقات الفورية — وقد تنخفض أسعار وحدات التخزين
- 21 نوفمبر 2026Unsloth تحدّث نسخ Qwen3.8-27B المضغوطة: الدقة ارتفعت بنسبة 5–10% عند الحجم نفسه
- 21 نوفمبر 2026الذكاء الاصطناعي يكتب شيفرة مليئة بالثغرات في 44% من الاختبارات: Positive Technologies تزوّد الوكلاء بماسح أمني
- 21 نوفمبر 2026سبير تطلق مكبّر صوت بسعر 14 990 روبلًا مزوّدًا بـ GigaChat: يفهم الأوامر الصوتية دون إنترنت
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول BM25 مباشرة من النص، دون تضمينات؟
كان ترتيب البحث النصي الكامل وفق BM25 يتطلب في السابق تحويل النص إلى متجهات متناثرة. وكان كل مستند وكل استعلام يمرّ بخطوة استدلال (inference) منفصلة. أما متوسط طول المستند فكان على المستخدم تتبّعه بنفسه، إذ يُدمج في كل متجه محفوظ. وإذا تغيرت البيانات، فلم يكن تحديثه ممكنًا إلا بإعادة تحويل المجموعة كاملة. في الإصدار 1.20 يعمل BM25 على الفهرس النصي الكامل. تنشئ فهرسًا على حقل ما، مثل عنوان كتاب، وتفعّل احتساب BM25، ثم تبحث فورًا عن عبارة مثل «time travel».
ما أبرز التفاصيل حول فلاتر متداخلة أسرع ومتجهات أكثر إحكامًا؟
تخيّل منتجًا له عدة عروض، لكل منها متجر وسعر. يبحث الفلتر المتداخل عن المنتجات التي يطابق فيها العرض الواحد نفسه جميع الشروط معًا: المتجر المطلوب وسعر أقل من الحد المحدد. في السابق كانت الفهارس تكتفي بتضييق دائرة المرشحين، ثم يقرأ Qdrant payload كل مرشح، وعادةً من القرص. وإذا بقي عدد كبير من المرشحين، تباطأ الفلتر. يمكن الآن إنشاء فهرس على عناصر المصفوفة، حيث يُخزَّن كل عنصر على حدة. وإذا اعتمدت جميع شروط الفلتر على فهارس من هذا النوع لمصفوفة واحدة، يُجمَّع الجواب دون قراءة payload.
ما أبرز التفاصيل حول الأمان والذاكرة والتحديث؟
يربط متتبّع المعرّفات (ID tracker) معرّف النقطة بموضعها الداخلي ونسختها. في السابق كان يقيم دائمًا في الذاكرة RAM، بنحو 52 بايتًا لكل نقطة، أي ما يقارب 5 غيغابايت لكل 100 مليون نقطة. أما الآن فيمكن إبقاؤه على القرص: إما بالقراءة عند الطلب، وإما بالتحميل في ذاكرة الصفحات المؤقتة عند فتح المقطع (segment). وبشكل افتراضي يبقى في RAM. وعند تعيين مفتاح API، بات منفذ gRPC الداخلي للعنقود يشترط المصادقة افتراضيًا، ولا يقبل إلا المفاتيح الحاصلة على صلاحية الكتابة. ويمكن ربط المنفذ بواجهة خاصة منفصلة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.