¿Cuánto valen los créditos gratuitos de Qdrant?
Qdrant ofrece $2,000 en créditos gratuitos para startups, aplicables a Qdrant Cloud, la versión administrada de su base de datos vectorial de código abierto.
Esa cifra es modesta en comparación con las subvenciones de seis cifras en otras categorías, y vale la pena leerla correctamente en lugar de descartarla. Qdrant tiene licencia Apache 2.0 y se puede autoalojar, por lo que el producto de pago es el alojamiento administrado, no el motor. El crédito es un presupuesto de alojamiento, no una clave de acceso.
La elegibilidad depende de la etapa y la financiación, y los términos del programa de infraestructura se mueven más que los términos del programa de modelos. AI Perks rastrea la versión actual junto con $7.7M en créditos en 194 empresas.
Qué hace realmente Qdrant
Qdrant almacena embeddings junto con metadatos estructurados y devuelve las coincidencias más cercanas a un vector de consulta en milisegundos. Está escrito en Rust, se distribuye como un único binario y se comporta igual en un portátil que en producción.
Cada producto que responde preguntas sobre documentos privados, busca por significado en lugar de palabra clave, recomienda artículos similares, desduplica registros o le da a un agente memoria a largo plazo, necesita esta capa. O lo ejecutas o lo alquilas.
Tres propiedades separan a Qdrant del resto de la categoría:
Payload es un ciudadano de primera clase. Los metadatos residen con el vector y son indexables, por lo que los filtros son parte de la consulta en lugar de una segunda pasada sobre los resultados. Más sobre por qué eso importa a continuación.
Es un binario. La paridad del desarrollo local es una ventaja operativa real. Puede ejecutar el motor idéntico en un contenedor Docker en su máquina y en un clúster administrado, lo que elimina una categoría de sorpresas de "funciona localmente".
La licencia es permisiva. Apache 2.0 significa que el autoalojamiento estará disponible permanentemente. Eso es apalancamiento de negociación en lugar de un plan: saber que podría mudarse mantiene la factura administrada honesta.
La búsqueda filtrada es donde fallan los productos de recuperación
Casi ninguna consulta de producción es "encontrar similar". Es "encontrar similar, dentro de los documentos de este cliente, de los últimos 90 días, de este tipo". Esa combinación, no la similitud bruta, es donde la mayoría de las búsquedas vectoriales fallan silenciosamente.
El fallo tiene una forma específica. Las implementaciones ingenuas posfiltran: recuperan los 100 vectores más cercanos, luego descartan los que no coinciden con el filtro. Si el filtro es selectivo, obtienes tres resultados, o cero, y el producto parece roto a pesar de que el índice está bien.
La alternativa, el prefiltrado por fuerza bruta sobre el subconjunto coincidente, es correcta pero lenta una vez que el subconjunto es grande. La respuesta de Qdrant es aplicar condiciones de filtro durante el recorrido del grafo y mantener el grafo de búsqueda conectado bajo filtrado, respaldado por índices de payload en los campos sobre los que filtra. El detalle de ingeniería importa menos que la consecuencia: las consultas filtradas se mantienen rápidas y completas.
Esta es la propiedad más importante para cualquiera que venda software B2B, porque cada consulta en un producto multiinquilino se filtra por inquilino. Si su recuperación se degrada bajo filtros, se degrada para cada cliente a la vez.
Cómo se comporta el costo de la base de datos vectorial a escala
El costo de la búsqueda vectorial está determinado por cuántos vectores almacena multiplicados por sus dimensiones, no por cuántas consultas ejecuta. Un índice inactivo sobre un corpus grande es costoso. Un índice activo sobre un corpus pequeño es barato.
Eso es lo inverso de cómo las API de modelos le facturan, por eso los fundadores pronostican mal este elemento de línea de forma tan constante. Aquí está la aritmética para un millón de vectores, antes de la sobrecarga del índice:
| Modo de almacenamiento | Bits por dimensión | 1M de vectores a 768 dimensiones | 1M de vectores a 1,536 dimensiones |
|---|---|---|---|
| float32 en memoria | 32 | ~3.1 GB | ~6.1 GB |
| Cuantización escalar (int8) | 8 | ~0.8 GB | ~1.5 GB |
| Cuantización binaria | 1 | ~0.1 GB | ~0.2 GB |
| Con mapeo de memoria en disco | 32, paginado | RAM contiene el índice | RAM contiene el índice |
Trate esos como un piso. La sobrecarga del grafo y el payload se añaden encima.
Dos palancas cambian el panorama más que cualquier otra cosa que haga en su código. La cuantización comprime los vectores almacenados, y Qdrant puede volver a puntuar la lista corta contra vectores de precisión completa para recuperar la mayor parte de la recuperación perdida, lo que lo hace mucho menos una degradación de lo que parece. La elección de dimensiones es la otra: muchos modelos de embeddings ahora admiten salidas acortadas, y la duplicación de dimensiones reduce a la mitad toda la tabla.
La conclusión práctica es que la estrategia de fragmentación es una decisión de costo, no solo una decisión de calidad. Dividir documentos en fragmentos más pequeños multiplica su recuento de vectores y su factura de memoria con él. AI Perks rastrea los créditos en esta capa para que pueda probar a escala real antes de que la factura se lo enseñe.
Para qué sirve realmente un crédito de $2,000
Una subvención de $2,000 no es un año de margen. Es suficiente para ejecutar su corpus real a escala real el tiempo suficiente para aprender cuánto costará la producción, lo que vale más que el dinero.
Los equipos que dimensionan una factura vectorial a partir de una muestra de 10,000 filas suelen equivocarse por un orden de magnitud. La recuperación, el rendimiento de los filtros y la pérdida de calidad de la cuantización cambian con el tamaño del corpus, y ninguno de ellos se extrapola limpiamente de un índice de juguete.
Por lo tanto, gaste el crédito como una medida, no como un descuento:
Cargue todo, no una muestra. El objetivo es ver comportamientos que no se pueden ver a pequeña escala.
Consulte con filtros activados. Pruebe la forma de consulta que su producto emitirá realmente, incluido el filtro del inquilino.
Mida la recuperación en su configuración de cuantización. Decida la compensación de memoria con un número en lugar de una preferencia.
Luego, compare el autoalojamiento con el administrado. Con un tamaño de índice real, eso se convierte en aritmética en lugar de un argumento.
El momento importa tanto como la cantidad. Los créditos tienen un plazo fijo, por lo que activar una subvención mientras aún está eligiendo un tamaño de fragmento quema la mayor parte en un índice vacío. Alinee el reloj con el momento en que tenga tanto un corpus como tráfico. Los programas actuales y sus términos se encuentran en AI Perks.
Con qué se combinan los créditos de Qdrant
La recuperación se factura en tres lugares: la creación de los embeddings, su almacenamiento y búsqueda, y la generación de la respuesta. Una subvención de base de datos vectorial cubre uno de los tres.
| Capa | Cómo se factura | Dónde existen créditos |
|---|---|---|
| Embeddings | Una vez por documento, de nuevo con cada cambio de modelo | OpenAI, Cohere, Voyage, Mistral |
| Almacenamiento y búsqueda de vectores | Continuamente, impulsado por la memoria | Qdrant, Pinecone, Weaviate |
| Generación | Por respuesta, por usuario | Anthropic, OpenAI, Google, xAI |
| Cómputo y alojamiento | Continuamente, impulsado por el tiempo de actividad | AWS, Google Cloud, Azure, Modal |
La fila de embeddings es la que atrapa a la gente. Incrusta el corpus una vez para indexarlo, luego lo reincrusta todo cada vez que cambia de modelo. Una actualización de embedding es una reindexación completa, y en un corpus grande es una factura real en lugar de un trabajo en segundo plano.
Tener créditos en varias filas permite a un equipo cambiar de opinión sin una reunión de presupuesto. Ese es el argumento real para apilar.
Qué entienden mal los fundadores sobre las bases de datos vectoriales
Los dos errores más comunes son adoptar una antes de que el producto la necesite, y tratar la calidad de la recuperación como un problema del modelo cuando suele ser un problema de filtrado o fragmentación.
Cinco fallos que vale la pena evitar:
Empezar demasiado pronto. Postgres con pgvector maneja unos pocos cientos de miles de vectores y consultas sencillas, y elimina un servicio de su pila. Una base de datos vectorial dedicada se gana su lugar a escala, con volumen de consultas sostenido, o cuando la búsqueda filtrada comienza a devolver muy poco.
Ignorar los filtros hasta que llegue la multi-tenencia. Para entonces, los patrones de consulta están fijados y la solución es una migración.
Tratar la cuantización como una degradación. Es la diferencia entre un índice de 6 GB y uno de 1.5 GB, y con la reevaluación, el costo de recuperación a menudo es insignificante. Mídalo en lugar de asumirlo.
Confundir código abierto con gratuito. El autoalojamiento elimina la tarifa de licencia, no la factura de memoria ni la rotación de guardia.
Olvidar el lado del embedding. Los créditos de almacenamiento cubren la mitad de una factura de recuperación. Los fundadores que buscan ambos a la vez financian un año. El resto financia un trimestre. Ambos lados están catalogados en AI Perks.
Preguntas frecuentes
¿Cuánto valen los créditos de Qdrant?
Qdrant ofrece $2,000 en créditos gratuitos para startups, aplicables a Qdrant Cloud en lugar de al motor de código abierto, que de todos modos es gratuito. Cuánto rinde depende del tamaño del corpus y las dimensiones vectoriales en lugar del volumen de consultas, ya que el costo está impulsado por la memoria. Los términos y la elegibilidad actuales se rastrean en getaiperks.com.
¿Es Qdrant gratuito?
Sí, en el sentido que importa: Qdrant tiene licencia Apache 2.0 y puede ejecutarlo en su propio hardware sin tarifa de licencia. Lo que cuesta dinero es Qdrant Cloud, el servicio administrado, más la memoria que consume su índice dondequiera que resida. El autoalojamiento cambia dinero por trabajo operativo.
¿Necesito una base de datos vectorial o pgvector es suficiente?
Para unos pocos cientos de miles de vectores y consultas simples, Postgres con pgvector suele ser suficiente y elimina un servicio de su pila. Una base de datos vectorial dedicada se gana su lugar con decenas de millones de vectores, carga de consultas sostenida o búsquedas filtradas y multi-inquilino intensivas, donde las implementaciones ingenuas se degradan drásticamente.
¿Cuánta RAM necesita Qdrant?
Más de lo que la mayoría de los equipos presupuestan. Los vectores sin comprimir de 32 bits necesitan aproximadamente 4 bytes por dimensión por vector, por lo que un millón de vectores de 1.536 dimensiones son aproximadamente 6 GB antes de la sobrecarga del índice. La cuantización escalar reduce eso casi cuatro veces y la cuantización binaria mucho más, lo que convierte la cuantización en una decisión de planificación en lugar de una optimización.
¿Puedo combinar créditos de Qdrant con créditos de OpenAI o Anthropic?
Sí, y cubren diferentes facturas. Qdrant cubre el almacenamiento y la búsqueda de sus vectores, los proveedores de embeddings cubren su creación y los proveedores de modelos cubren la generación de la respuesta. Los equipos que tienen créditos en los tres cubren un primer año realista de un producto de recuperación. Consulte qué combinaciones existen en getaiperks.com.
¿Cuáles son las principales alternativas a Qdrant?
Pinecone, Weaviate, Milvus, Chroma y Postgres con pgvector. Los puntos distintivos de Qdrant son su motor Rust, su modelo de filtrado y una licencia permisiva que mantiene el autoalojamiento disponible como una salida genuina en lugar de un farol. AI Perks rastrea los programas de crédito en toda la categoría en getaiperks.com.
Suscríbete en getaiperks.com →
Almacena los vectores. Deja que alguien más pague la memoria.