Actualités

Qdrant 2.0 : Les nouveautes de la vector DB open-source

25 avril 2026
8 min de lecture
Equipe Ailog

Qdrant lance la version 2.0 avec Discovery API, sparse vectors et performances doublees. Tour d'horizon des nouveautes pour vos applications RAG.

Qdrant 2.0 : Une version majeure

Qdrant, la base de donnees vectorielle open-source, franchit un cap avec sa version 2.0. Cette release apporte des fonctionnalites attendues de longue date et des ameliorations de performance significatives.

"Qdrant 2.0 represente 18 mois de developpement intensif", declare Andrey Vasnetsov, CEO de Qdrant. "Nous avons ecoute la communaute et livre les fonctionnalites les plus demandees."

Nouvelles fonctionnalites

Discovery API

La Discovery API permet l'exploration interactive des donnees :

  • Navigation par similarite
  • Exploration de clusters
  • Visualisation des voisinages

Cette fonctionnalite ouvre de nouveaux cas d'usage pour la recherche semantique.

Sparse Vectors natifs

Qdrant supporte maintenant les sparse vectors en natif :

TypeCas d'usagePerformance
DenseQuestions semantiquesExcellente
SparseTermes techniquesTres bonne
HybridUsage generalOptimale

La combinaison dense + sparse implemente la recherche hybride directement dans la base.

Query Groups

Le groupement des resultats par attribut :

  • Agregation par categorie
  • Deduplication intelligente
  • Pagination optimisee

Performances

Benchmarks

Qdrant 2.0 double les performances sur plusieurs metriques :

Metriquev1.xv2.0Amelioration
QPS450920+104%
Latence P5015ms8ms-47%
Latence P9965ms32ms-51%

Optimisations

Les gains proviennent de :

  • Nouvel index HNSW optimise
  • Compression memoire amelioree
  • Parallelisme accru

Deploiement

Docker

DEVELOPERbash
docker run -p 6333:6333 qdrant/qdrant:v2.0.0

Kubernetes

DEVELOPERbash
helm install qdrant qdrant/qdrant --version 2.0.0

Pour un guide complet, consultez notre tutoriel Qdrant avance.

Migration depuis 1.x

La migration est transparente :

  1. Backup des collections
  2. Upgrade du binaire
  3. Verification des fonctionnalites

Les APIs restent compatibles, pas de changement de code requis.

Comparaison avec la concurrence

FeatureQdrant 2.0PineconeWeaviate
Open sourceOuiNonOui
Sparse vectorsNatifVia APIPlugin
Discovery APIOuiNonNon
Auto-scalingCloudOuiOui

Pricing Qdrant Cloud

PlanPrixInclus
FreeGratuit1GB, 1 collection
Pro$25/mois10GB, illimite
EnterpriseCustomSLA, support

Conclusion

Qdrant 2.0 confirme sa position de leader open-source. Pour les equipes privilegiant le controle et la flexibilite, c'est un choix excellent.

Explorez notre comparatif des bases vectorielles pour choisir la meilleure option.

FAQ

Qdrant 2.0 offre des performances superieures (920 QPS contre 850 pour Pinecone), le support natif des sparse vectors, et la Discovery API unique pour l'exploration de donnees. Surtout, Qdrant est open-source et peut etre auto-heberge pour la souverainete des donnees, contrairement a Pinecone qui est cloud-only.
Non, la migration est transparente. Les APIs restent compatibles, donc aucun changement de code n'est requis. Il suffit de faire un backup des collections, upgrader le binaire, et verifier les fonctionnalites. Qdrant gere automatiquement la conversion des formats de donnees internes.
La Discovery API permet d'explorer les donnees de maniere interactive. Vous pouvez naviguer par similarite, explorer des clusters de documents, et visualiser les voisinages semantiques. C'est utile pour comprendre la structure de vos donnees, identifier des anomalies, ou construire des interfaces d'exploration pour les utilisateurs finaux.
Qdrant Cloud est environ 20% moins cher que Pinecone pour des workloads equivalents. Le plan Pro a 25 dollars par mois inclut 10GB de stockage et des requetes illimitees. La difference principale est que Qdrant offre aussi l'option self-hosted pour ceux qui preferent gerer leur infrastructure.
Oui, les sparse vectors natifs de Qdrant 2.0 permettent d'implementer le hybrid search directement dans la base sans maintenir un index BM25 separe. Vous stockez vos embeddings dense et sparse dans la meme collection et combinez les scores lors de la recherche. Cela simplifie l'architecture et reduit les couts d'infrastructure.

Tags

Qdrantvector databaseopen sourceRAGinfrastructure

Articles connexes

Ailog Assistant

Ici pour vous aider

Salut ! Pose-moi des questions sur Ailog et comment intégrer votre RAG dans vos projets !