Que valent les crédits gratuits Qdrant ?
Qdrant offre 2 000 $ de crédits gratuits aux startups, applicables à Qdrant Cloud, la version managée de sa base de données vectorielle open source.
Ce montant est modeste comparé aux subventions à six chiffres proposées ailleurs dans cette catégorie, et il mérite d'être bien compris plutôt que d'être rejeté. Qdrant est sous licence Apache 2.0 et peut être auto-hébergé, donc le produit payant est l'hébergement managé, pas le moteur lui-même. Le crédit est un budget d'hébergement, pas une clé d'accès.
L'éligibilité dépend de la phase et du financement, et les conditions des programmes d'infrastructure évoluent plus que celles des programmes de modèles. AI Perks suit la version actuelle aux côtés de 7,7 millions de dollars de crédits pour 194 entreprises.
Ce que fait réellement Qdrant
Qdrant stocke les embeddings aux côtés de métadonnées structurées et renvoie les correspondances les plus proches d'un vecteur de requête en quelques millisecondes. Il est écrit en Rust, livré en un seul binaire, et se comporte de la même manière sur un ordinateur portable qu'en production.
Chaque produit qui répond à des questions sur des documents privés, effectue des recherches par signification plutôt que par mot-clé, recommande des éléments similaires, dédoublonne des enregistrements, ou donne à un agent une mémoire à long terme, a besoin de cette couche. Vous l'exécutez ou vous la louez.
Trois propriétés distinguent Qdrant du reste de la catégorie :
Le payload est un citoyen de première classe. Les métadonnées résident avec le vecteur et sont indexables, donc les filtres font partie de la requête plutôt qu'une seconde passe sur les résultats. Plus d'informations sur l'importance de cela ci-dessous.
C'est un seul binaire. La parité du développement local est un véritable avantage opérationnel. Vous pouvez exécuter le moteur identique dans un conteneur Docker sur votre machine et dans un cluster managé, ce qui élimine une catégorie de surprises de type "fonctionne localement".
La licence est permissive. Apache 2.0 signifie que l'auto-hébergement reste disponible en permanence. C'est un levier de négociation plutôt qu'un plan : savoir que vous pourriez migrer maintient la facture du service managé honnête.
La recherche filtrée est le point où les produits de récupération échouent
Presque aucune requête de production n'est "trouver similaire". C'est "trouver similaire, dans les documents de ce client, des 90 derniers jours, de ce type". Cette combinaison, et non la similitude brute, est l'endroit où la plupart des recherches vectorielles échouent silencieusement.
L'échec a une forme spécifique. Les implémentations naïves post-filtrent : récupèrent les 100 vecteurs les plus proches, puisDiscard ceux qui ne correspondent pas au filtre. Si le filtre est sélectif, vous obtenez trois résultats, ou zéro, et le produit semble défaillant alors que l'index est correct.
L'alternative, le pré-filtrage par force brute sur le sous-ensemble correspondant, est correcte mais lente une fois le sous-ensemble large. La réponse de Qdrant est d'appliquer les conditions de filtre pendant le parcours du graphe et de maintenir le graphe de recherche connecté sous filtrage, soutenu par des index de payload sur les champs sur lesquels vous filtrez. Le détail d'ingénierie importe moins que la conséquence : les requêtes filtrées restent à la fois rapides et complètes.
C'est la propriété la plus importante pour quiconque vend des logiciels B2B, car chaque requête dans un produit multi-locataire est filtrée par locataire. Si votre récupération se dégrade sous les filtres, elle se dégrade pour chaque client à la fois.
Comment se comporte le coût des bases de données vectorielles à grande échelle
Le coût de la recherche vectorielle est déterminé par le nombre de vecteurs que vous stockez multiplié par leurs dimensions, et non par le nombre de requêtes que vous exécutez. Un index inactif sur un grand corpus est coûteux. Un index actif sur un petit corpus est bon marché.
C'est l'inverse de la façon dont les API de modèles vous facturent, c'est pourquoi les fondateurs prévoient ce poste de dépense de manière si constante. Voici le calcul pour un million de vecteurs, avant surcharge de l'index :
| Mode de stockage | Bits par dimension | 1M vecteurs à 768 dims | 1M vecteurs à 1 536 dims |
|---|---|---|---|
| float32 en mémoire | 32 | ~3,1 Go | ~6,1 Go |
| Quantification scalaire (int8) | 8 | ~0,8 Go | ~1,5 Go |
| Quantification binaire | 1 | ~0,1 Go | ~0,2 Go |
| Mappé en mémoire sur disque | 32, paginé | La RAM contient l'index | La RAM contient l'index |
Considérez ces chiffres comme un minimum. La surcharge du graphe et le payload s'y ajoutent.
Deux leviers changent l'image plus que tout ce que vous ferez à votre code. La quantification compresse les vecteurs stockés, et Qdrant peut réévaluer la liste restreinte par rapport aux vecteurs en précision complète pour récupérer la majeure partie de la perte de rappel, ce qui en fait une dégradation bien moindre qu'il n'y paraît. Le choix de la dimension est l'autre : de nombreux modèles d'embedding prennent désormais en charge des sorties raccourcies, et la division par deux des dimensions divise par deux le tableau entier.
Le point pratique à retenir est que la stratégie de découpage est une décision de coût, pas seulement une décision de qualité. Diviser les documents en morceaux plus petits multiplie votre nombre de vecteurs et votre facture de mémoire par la même occasion. AI Perks suit les crédits pour cette couche afin que vous puissiez tester à grande échelle avant que la facture ne vous l'apprenne.
À quoi sert réellement un crédit de 2 000 $
Une subvention de 2 000 $ n'est pas une année de piste. C'est suffisant pour exécuter votre vrai corpus à une échelle réelle assez longtemps pour apprendre ce que coûtera la production, ce qui vaut plus que l'argent.
Les équipes qui dimensionnent une facture vectorielle à partir d'un échantillon de 10 000 lignes se trompent généralement d'un ordre de grandeur. Le rappel, les performances de filtrage et la perte de qualité due à la quantification changent tous avec la taille du corpus, et aucun d'entre eux ne s'extrapole proprement d'un index jouet.
Alors dépensez le crédit comme une mesure, pas comme une réduction :
Chargez tout, pas un échantillon. Le but est de voir un comportement que vous ne pouvez pas voir à petite échelle.
Interrogez avec des filtres activés. Testez la forme de requête que votre produit émettra réellement, y compris le filtre de locataire.
Mesurez le rappel à votre réglage de quantification. Décidez du compromis mémoire avec un chiffre plutôt qu'une préférence.
Comparez ensuite l'auto-hébergement au service managé. Avec une taille d'index réelle, cela devient de l'arithmétique plutôt qu'un argument.
Le timing est aussi important que le montant. Les crédits sont limités dans le temps, donc activer une subvention alors que vous choisissez encore la taille des morceaux brûle la majeure partie sur un index vide. Alignez l'horloge avec le moment où vous avez à la fois un corpus et du trafic. Les programmes actuels et leurs conditions se trouvent sur AI Perks.
Avec quoi les crédits Qdrant se cumulent
La récupération de données est facturée à trois niveaux : la création des embeddings, leur stockage et leur recherche, et la génération de la réponse. Une subvention pour base de données vectorielle couvre l'un des trois.
| Couche | Comment c'est facturé | Où existent les crédits |
|---|---|---|
| Embeddings | Une fois par document, à nouveau à chaque changement de modèle | OpenAI, Cohere, Voyage, Mistral |
| Stockage et recherche vectoriels | En continu, piloté par la mémoire | Qdrant, Pinecone, Weaviate |
| Génération | Par réponse, par utilisateur | Anthropic, OpenAI, Google, xAI |
| Calcul et hébergement | En continu, piloté par la disponibilité | AWS, Google Cloud, Azure, Modal |
La ligne des embeddings est celle qui surprend les gens. Vous créez les embeddings du corpus une fois pour l'indexer, puis vous le ré-embeddez entièrement à chaque fois que vous changez de modèle. Une mise à niveau des embeddings est une réindexation complète, et sur un grand corpus, c'est une vraie facture plutôt qu'un travail en arrière-plan.
Conserver des crédits sur plusieurs lignes permet à une équipe de changer d'avis sans réunion budgétaire. C'est l'argument réel pour la superposition.
Ce que les fondateurs font mal à propos des bases de données vectorielles
Les deux erreurs les plus courantes sont d'en adopter une avant que le produit en ait besoin, et de traiter la qualité de la récupération comme un problème de modèle alors qu'il s'agit généralement d'un problème de filtrage ou de découpage.
Cinq échecs à éviter :
Commencer trop tôt. Postgres avec pgvector gère quelques centaines de milliers de vecteurs et des requêtes simples, et cela supprime un service de votre pile. Une base de données vectorielle dédiée justifie sa place à grande échelle, à un volume de requêtes soutenu, ou lorsque la recherche filtrée commence à retourner trop peu.
Ignorer les filtres jusqu'à l'arrivée de la multi-tenancy. D'ici là, les modèles de requête sont intégrés et la correction est une migration.
Traiter la quantification comme une dégradation. C'est la différence entre un index de 6 Go et un de 1,5 Go, et avec la réévaluation, le coût de rappel est souvent négligeable. Mesurez-le plutôt que de présumer.
Confondre open source et gratuit. L'auto-hébergement supprime les frais de licence, pas la facture de mémoire ou la rotation de garde.
Oublier le côté embedding. Les crédits de stockage couvrent la moitié d'une facture de récupération. Les fondateurs qui recherchent les deux à la fois financent une année. Le reste finance un quart. Les deux côtés sont catalogués sur AI Perks.
Questions Fréquemment Posées
Que valent les crédits Qdrant ?
Qdrant offre 2 000 $ de crédits gratuits aux startups, applicables à Qdrant Cloud plutôt qu'au moteur open source, qui est gratuit de toute façon. Leur portée dépend de la taille du corpus et des dimensions des vecteurs plutôt que du volume des requêtes, car le coût est piloté par la mémoire. Les conditions actuelles et l'éligibilité sont suivies sur getaiperks.com.
Qdrant est-il gratuit à utiliser ?
Oui, dans le sens qui importe : Qdrant est sous licence Apache 2.0 et vous pouvez l'exécuter sur votre propre matériel sans frais de licence. Ce qui coûte de l'argent, c'est Qdrant Cloud, le service managé, ainsi que la mémoire consommée par votre index, où qu'il se trouve. L'auto-hébergement échange de l'argent contre du travail opérationnel.
Ai-je besoin d'une base de données vectorielle, ou pgvector est-il suffisant ?
Pour quelques centaines de milliers de vecteurs et des requêtes simples, Postgres avec pgvector est généralement suffisant et supprime un service de votre pile. Une base de données vectorielle dédiée justifie sa place à des dizaines de millions de vecteurs, une charge de requête soutenue, ou une recherche filtrée et multi-locataire intensive, où les implémentations naïves se dégradent rapidement.
Quelle quantité de RAM Qdrant nécessite-t-il ?
Plus que ce que la plupart des équipes prévoient. Les vecteurs non compressés de 32 bits nécessitent environ 4 octets par dimension et par vecteur, donc un million de vecteurs de 1 536 dimensions représente environ 6 Go avant la surcharge de l'index. La quantification scalaire réduit cela d'environ quatre fois et la quantification binaire encore plus, ce qui fait de la quantification une décision de planification plutôt qu'une optimisation.
Puis-je combiner les crédits Qdrant avec les crédits OpenAI ou Anthropic ?
Oui, et ils couvrent des factures différentes. Qdrant couvre le stockage et la recherche de vos vecteurs, les fournisseurs d'embeddings couvrent leur création, et les fournisseurs de modèles couvrent la génération de la réponse. Les équipes disposant de crédits sur les trois couvrent une première année réaliste d'un produit de récupération. Voyez quelles combinaisons existent sur getaiperks.com.
Quelles sont les principales alternatives à Qdrant ?
Pinecone, Weaviate, Milvus, Chroma, et Postgres avec pgvector. Les points distinctifs de Qdrant sont son moteur Rust, son modèle de filtrage et une licence permissive qui maintient l'auto-hébergement comme une véritable option plutôt qu'un bluff. AI Perks suit les programmes de crédits dans toute la catégorie sur getaiperks.com.
Abonnez-vous sur getaiperks.com →
Stockez les vecteurs. Laissez quelqu'un d'autre payer pour la mémoire.