# Qdrant RRF и DBSF: выбор слияния по отложенному набору запросов

RRF и DBSF в Qdrant решают разные задачи слияния: первый объединяет позиции, второй сохраняет информацию о разнице баллов.

Автор: Команда Retrivium
Обновлено: 2026-11-03
Канонический URL: https://retrivium.ai/ru/journal/qdrant-rrf-dbsf-fusion-selection/
Language: ru

RRF и DBSF в Qdrant решают разные задачи слияния: первый объединяет позиции, второй сохраняет информацию о разнице баллов. Выбирать между ними следует на одинаковых размеченных запросах и наборах кандидатов, а не считать название алгоритма универсальным улучшением релевантности.

## Какая информация сохраняется

В [справочнике гибридных запросов](https://qdrant.tech/documentation/search/hybrid-queries/) RRF описан как объединение по рангам, а DBSF — как нормализация распределения баллов каждой выдачи перед сложением. DBSF использует статистику точек, возвращённых конкретным запросом, а не постоянно обучаемую глобальную калибровку. Поэтому изменение состава кандидатов может изменить нормализацию. RRF тоже зависит от документов, допущенных во входные списки, хотя не сравнивает исходные величины их баллов непосредственно между собой.

## Сначала зафиксировать входы поиска

Сохраните ревизию плотной модели, настройки лексического поиска, фильтры и глубину кандидатов каждой ветви. [Руководство выбора слияния Qdrant](https://qdrant.tech/documentation/search-tuning/hybrid-search/) отделяет формирование кандидатов от финального объединения. Иначе более широкий sparse-prefetch способен найти пропущенный документ, а результат ошибочно припишут лучшему алгоритму fusion. Экспортируйте выдачу каждой ветви до слияния, чтобы опыт позволял объяснить происхождение каждого итогового документа и повторить сравнение без скрытого изменения исходных списков.

## Подготовить понятный учебный пример

Следующие позиции являются иллюстрацией, а не результатами измерений. Они показывают согласие и расхождение списков без выдуманных показателей скорости или качества.

| Документ | Позиция dense | Позиция sparse |
|---|---|---|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | Отсутствует |
| D | Отсутствует | 2 |

Для опыта DBSF сохраните рядом исходные баллы: таблица одних позиций не восстанавливает разницу их величин. Также зафиксируйте обработку документа, отсутствующего в одной ветви. Такое отсутствие не является исходной оценкой релевантности, равной нулю.

## Сравнить классы запросов

В отложенном наборе нужны точные идентификаторы, перефразированные вопросы и запросы с ответом в нескольких документах. Оценивайте конечные доказательства, а не только совпадение двух методов. Настройка способна помочь идентификаторам и одновременно ухудшить полезную семантическую выдачу. Группировка документов тоже должна оставаться неизменной: [пример нескольких представлений](https://qdrant.tech/documentation/tutorials-search-engineering/multi-representation-search/) показывает grouping и prefetch как дополнительные операции, влияющие на то, какие материалы получает пользователь в конце цепочки.

## Разобрать неожиданное преимущество

Если DBSF резко меняется после увеличения глубины кандидатов, исследуйте распределение баллов новых результатов. Если RRF даёт неожиданные равенства, сначала проверьте позиции и пересечение ветвей, затем меняйте веса. Повторная нормализация уже преобразованной величины требует отдельного описания обоих этапов. Сохраняйте объяснения отдельных запросов: средняя метрика не отличает отсутствие нужного кандидата от неудачного объединения документов, которые уже присутствовали на входе.

## Сохранить проверяемое решение

Запишите настройки ветвей, метод fusion, проверочные запросы и исходные документы разметки. Сравнивайте одинаковое число итоговых результатов и фильтры, а после изменения повторяйте затронутые запросы. Полезный итог подтверждает выбор для данного корпуса и распределения задач. Он не доказывает, что метод побеждает всегда, и не разрешает переносить настроенное решение без проверки после замены embedding-модели или лексического анализатора.

Связанные материалы: [Qdrant для RAG: что хранить в RAM, а что на диске](/ru/journal/qdrant-memory-on-disk/); [Бенчмарк GPU для инференса, которому можно доверять](/ru/journal/inference-benchmark-method/).