Late Interaction explicado: por qué Qdrant y ColQwen construyen la mejor base de conocimiento
Late Interaction compara cada término de búsqueda con cada fragmento de página. Qdrant lo almacena de forma nativa.
Traducción generada automáticamente con IA. La versión alemana es el original revisado por la redacción.
La diferencia entre una búsqueda vectorial mediocre y una buena suele estar en un detalle: si una página se representa con un único vector o con muchos. Late Interaction elige lo múltiple, y justo eso hace tan certeros a modelos como ColQwen en documentos visualmente densos. Qdrant es una de las bases de datos vectoriales que lo sostienen de forma nativa. Este texto explica el principio sin lastre matemático.
01. EL PROBLEMA CON EL VECTOR ÚNICO
La búsqueda vectorial clásica comprime todo un pasaje de texto o toda una página en un único vector. Es económico, pero promedia y borra lo que es localmente importante. Si el importe buscado está en una celda concreta de una tabla, esa referencia desaparece en el promedio de toda la página. Para texto corrido limpio suele bastar. Para los documentos ante los que la búsqueda visual siquiera compite, no basta.
02. LATE INTERACTION, EN UNA FRASE
Late Interaction conserva muchos vectores por página y los compara tarde, solo al buscar. El modelo genera para la consulta un vector por token y para la página un vector por fragmento. La puntuación se llama MaxSim: para cada token de la consulta se busca el fragmento de página que mejor encaja, y esos mejores aciertos se suman. Así la palabra "saldo restante" puede acoplarse con precisión a la celda de tabla en la que está. La técnica proviene de ColBERT y se trasladó a imágenes con ColPali. Quien quiera ver toda la caja de piezas: el stack libre de OCR ordena los modelos.
03. DÓNDE ENTRA QDRANT EN JUEGO
Late Interaction necesita una base de datos que entienda varios vectores por objeto. Qdrant soporta tales multi-vectores directamente, sin pre ni posprocesamiento, y puede sostener cualquier modelo de Late Interaction como ColBERT o ColPali (documentación). El montaje habitual es en dos etapas: una primera búsqueda rápida con vectores densos normales acota los candidatos, luego MaxSim puntúa con precisión solo esas pocas páginas. Así el índice sigue siendo asequible, porque los costosos vectores de token no tienen que indexarse por completo, sino que sirven para la reordenación.
04. QUÉ SIGNIFICA ESTO EN LA PRÁCTICA
Obtiene aciertos que respetan el layout, sin volver la búsqueda impagable. El precio es más memoria por página y algo más de complejidad en el montaje. Ambos son manejables si se planifica la etapa de reordenación desde el principio en lugar de indexar por completo cada vector de token. Para contextos muy largos vale la pena mirar los modelos subcuadráticos; para la idea básica de retrieval, Qué es RAG sigue siendo el punto de entrada.
