Constella Preview: Swap Query Models Without Re-Embedding
Qdrant 博客发布 Constella 研究预览：这是一组围绕 Stella（400M 参数英文嵌入模型）构建的模型家族，托管在 Hugging Face。Stella 负责编码文档，Zero、Nano 或 Stella 本身可编码查询，三者搜索同一个 Qdrant collection，因此切换查询模型不需要重新嵌入文档集合。
发展脉络
- 首次出现Constella Preview: Swap Query Models Without Re-EmbeddingQdrant Blog
- 当前判断若该解耦成立，向量检索的成本结构会从「集合级重嵌入」转向「查询侧模型可替换」，对按查询量计费的检索服务是成本优化方向。但当前仅为研究预览，尚无采用或收入证据，不宜视为行业标准变化。可观察信号是 Qdrant 云或开源用户是否报告切换查询模型的实际账单变化。Agent Pulse · 分析
Qdrant 博客介绍 Constella 研究预览。文中给出的动机是：查询流量增长会推高嵌入计算账单，低功耗设备上大模型可能放不进内存；换用更小的查询模型本可降低成本，但通常意味着要重新嵌入整个集合。Constella 的做法是把文档编码与查询编码解耦：Stella（400M 参数英文嵌入模型）编码文档，Zero、Nano 或 Stella 本身编码查询，且都搜索同一个 Qdrant collection。证据未给出各模型的具体参数规模、延迟、召回率或成本数字。
从证据看，其技术主张是文档侧与查询侧嵌入可分离，并共享同一向量空间以兼容同一 collection。这属于研究预览，证据未提供检索质量、维度对齐方式或跨模型召回对比，因此不能推断精度无损。可验证的下一信号是官方是否公布 Zero/Nano 的维度、与 Stella 的检索评测对比及内存占用数据。
若该解耦成立，向量检索的成本结构会从「集合级重嵌入」转向「查询侧模型可替换」，对按查询量计费的检索服务是成本优化方向。但当前仅为研究预览，尚无采用或收入证据，不宜视为行业标准变化。可观察信号是 Qdrant 云或开源用户是否报告切换查询模型的实际账单变化。
对使用 Qdrant 的团队，潜在价值是查询侧可用更小模型降低推理成本与内存占用，而无需重建文档向量，从而减少迁移停机与重嵌入开销。该价值目前是设计意图而非已验证收益，采购或架构决策前应等待官方基准与自身小规模 A/B 验证。
后续值得跟踪的是 Constella 是否从研究预览转为正式产品，以及是否扩展到非英文或多语言嵌入。若长期停留在预览且无第三方复现评测，则影响限于 Qdrant 生态内部。