> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-hi/comparisons/vector-db-comparison.md).

# वेक्टर डेटाबेस तुलना

Clore.ai GPU सर्वरों पर अपने AI अनुप्रयोगों के लिए सही वेक्टर डेटाबेस चुनें।

{% hint style="info" %}
**वेक्टर डेटाबेस** उच्च-आयामी एम्बेडिंग्स को कुशलतापूर्वक संग्रहीत और पुनः प्राप्त करें — RAG सिस्टम, सार्थक खोज और अनुशंसा इंजनों के लिए मुख्य अवसंरचना। यह मार्गदर्शिका चार सबसे लोकप्रिय ओपन-सोर्स विकल्पों की तुलना करती है।
{% endhint %}

***

## त्वरित निर्णय मैट्रिक्स

|                          | ChromaDB                     | Qdrant             | Milvus         | Weaviate             |
| ------------------------ | ---------------------------- | ------------------ | -------------- | -------------------- |
| **इनके लिए सर्वश्रेष्ठ** | प्रोटोटाइपिंग, स्थानीय विकास | प्रोडक्शन RAG      | अरब-स्तरीय खोज | नॉलेज ग्राफ़         |
| **परिनियोजन**            | एम्बेडेड/सर्वर               | सर्वर/क्लाउड       | सर्वर/क्लाउड   | सर्वर/क्लाउड         |
| **स्केलेबिलिटी**         | एकल-नोड                      | बहु-नोड            | वितरित         | वितरित               |
| **GitHub स्टार्स**       | 17K+                         | 21K+               | 31K+           | 12K+                 |
| **लाइसेंस**              | Apache 2.0                   | Apache 2.0         | Apache 2.0     | BSD 3-Clause         |
| **प्रबंधित क्लाउड**      | नहीं                         | हाँ (Qdrant Cloud) | हाँ (Zilliz)   | हाँ (Weaviate Cloud) |
| **भाषा**                 | Python                       | Rust               | जाएँ           | जाएँ                 |

***

## अवलोकन

### ChromaDB

ChromaDB सबसे सरल वेक्टर डेटाबेस है — तेज़ प्रोटोटाइपिंग और छोटे से मध्यम-स्तर के अनुप्रयोगों के लिए डिज़ाइन किया गया। यह पूरी तरह इन-मेमोरी में चल सकता है या डिस्क पर स्थायी रूप से सहेजा जा सकता है।

**दर्शन**: शून्य कॉन्फ़िगरेशन, अधिकतम डेवलपर अनुभव।

```python
import chromadb

client = chromadb.PersistentClient(path="/data/chroma")
collection = client.create_collection("my_docs")

collection.add(
    documents=["Machine learning is great", "Deep learning uses neural networks"],
    ids=["doc1", "doc2"]
)

results = collection.query(
    query_texts=["What is AI?"],
    n_results=2
)
```

### Qdrant

Qdrant Rust में लिखा गया प्रोडक्शन-रेडी वेक्टर खोज इंजन है। यह प्रदर्शन, फ़िल्टरिंग और परिचालन सरलता पर केंद्रित है।

**दर्शन**: परिचालन जटिलता के बिना प्रोडक्शन-स्तरीय प्रदर्शन।

```python
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient("localhost", port=6333)
client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

client.upsert(
    collection_name="my_collection",
    points=[
        PointStruct(id=1, vector=[...], payload={"text": "document 1"}),
    ]
)

results = client.search(
    collection_name="my_collection",
    query_vector=[...],
    limit=10,
    query_filter=Filter(must=[FieldCondition(key="category", match=MatchValue(value="tech"))])
)
```

### Milvus

Milvus सबसे अधिक स्केलेबल ओपन-सोर्स वेक्टर डेटाबेस है, जिसे अरब-स्तरीय परिनियोजन के लिए डिज़ाइन किया गया है। इसमें Kubernetes समर्थन के साथ वितरित आर्किटेक्चर है।

**दर्शन**: विशाल पैमाना, क्लाउड-नेटिव।

```python
from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType

connections.connect("default", host="localhost", port=19530)

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=65535),
]
schema = CollectionSchema(fields)
collection = Collection("my_collection", schema)

# डेटा सम्मिलित करें
collection.insert([[1, 2], embeddings, texts])
collection.create_index("embedding", {"metric_type": "COSINE", "index_type": "IVF_FLAT"})
collection.load()

results = collection.search(
    data=[query_embedding],
    anns_field="embedding",
    param={"metric_type": "COSINE", "nprobe": 10},
    limit=10
)
```

### Weaviate

Weaviate वेक्टर खोज को नॉलेज ग्राफ़ और GraphQL API के साथ जोड़ता है। यह मल्टी-मोडल खोज (टेक्स्ट, इमेज, ऑडियो) को डिफ़ॉल्ट रूप से सपोर्ट करता है।

**दर्शन**: समृद्ध स्कीमा, मल्टी-मोडल, नॉलेज ग्राफ़ क्षमताएँ।

```python
import weaviate

client = weaviate.Client("http://localhost:8080")

# क्लासों के साथ स्कीमा परिभाषित करें
client.schema.create_class({
    "class": "Document",
    "vectorizer": "text2vec-transformers",
    "properties": [
        {"name": "content", "dataType": ["text"]},
        {"name": "category", "dataType": ["string"]}
    ]
})

# स्वचालित वेक्टराइज़ेशन के साथ सम्मिलित करें
client.data_object.create(
    {"content": "Machine learning tutorial", "category": "tech"},
    "Document"
)

# सार्थक खोज
result = client.query.get("Document", ["content", "category"])\
    .with_near_text({"concepts": ["artificial intelligence"]})\
    .with_limit(5)\
    .do()
```

***

## प्रदर्शन बेंचमार्क

### ANN बेंचमार्क (ann-benchmarks.com, 2024)

#### 1M vectors, 768 dimensions, Cosine similarity

| डेटाबेस         | QPS (1 thread) | Recall\@10 | बिल्ड समय | इंडेक्स आकार |
| --------------- | -------------- | ---------- | --------- | ------------ |
| ChromaDB (HNSW) | \~2,000        | 98.5%      | 45s       | 2.1GB        |
| Qdrant (HNSW)   | \~8,500        | 99.1%      | 32s       | 1.8GB        |
| Milvus (HNSW)   | \~12,000       | 98.9%      | 28s       | 1.9GB        |
| Weaviate (HNSW) | \~6,000        | 98.7%      | 38s       | 2.0GB        |

#### 10M vectors (स्केलेबिलिटी परीक्षण)

| डेटाबेस  | QPS     | RAM उपयोग      | नोट्स                      |
| -------- | ------- | -------------- | -------------------------- |
| ChromaDB | \~800   | 22GB           | पैमाने पर कठिनाई           |
| Qdrant   | \~5,200 | 18GB           | क्वांटाइज़ेशन के साथ अच्छा |
| Milvus   | \~9,800 | 15GB (indexed) | पैमाने पर सर्वश्रेष्ठ      |
| Weaviate | \~3,500 | 21GB           | मध्यम                      |

{% hint style="info" %}
**बेंचमार्क मार्गदर्शक हैं, अंतिम सत्य नहीं।** प्रदर्शन इंडेक्स प्रकार, हार्डवेयर, वेक्टर आयाम और क्वेरी पैटर्न के आधार पर बहुत बदलता है। हमेशा अपने डेटा के साथ बेंचमार्क करें।
{% endhint %}

### फ़िल्टर्ड ANN खोज प्रदर्शन

फ़िल्टर्ड खोज (वेक्टर समानता + मेटाडेटा फ़िल्टर) प्रोडक्शन RAG के लिए महत्वपूर्ण है:

| डेटाबेस  | फ़िल्टर्ड QPS | पूर्व-फ़िल्टर            | पश्च-फ़िल्टर |
| -------- | ------------- | ------------------------ | ------------ |
| ChromaDB | \~500         | ❌                        | ✅            |
| Qdrant   | \~6,000       | ✅ (HNSW + payload index) | ✅            |
| Milvus   | \~8,000       | ✅                        | ✅            |
| Weaviate | \~3,000       | ✅ (inverted index)       | ✅            |

**फ़िल्टर्ड खोज के लिए विजेता**: Qdrant और Milvus, जो पोस्ट-फ़िल्टरिंग के प्रदर्शन में गिरावट के बिना वास्तविक प्री-फ़िल्टरिंग का समर्थन करते हैं।

***

## विशेषताओं की तुलना

### स्टोरेज और इंडेक्सिंग

| विशेषता              | ChromaDB | Qdrant | Milvus | Weaviate |
| -------------------- | -------- | ------ | ------ | -------- |
| HNSW index           | ✅        | ✅      | ✅      | ✅        |
| IVF index            | ❌        | ❌      | ✅      | ❌        |
| DiskANN              | ❌        | ✅      | ✅      | ❌        |
| Scalar quantization  | ❌        | ✅      | ✅      | ✅        |
| Product quantization | ❌        | ✅      | ✅      | ❌        |
| Binary quantization  | ❌        | ✅      | ✅      | ✅        |
| On-disk storage      | ✅        | ✅      | ✅      | ✅        |
| Mmap                 | ❌        | ✅      | ✅      | ✅        |

### क्वेरी क्षमताएँ

| विशेषता                     | ChromaDB     | Qdrant     | Milvus     | Weaviate    |
| --------------------------- | ------------ | ---------- | ---------- | ----------- |
| वेक्टर समानता               | ✅            | ✅          | ✅          | ✅           |
| Hybrid search (BM25+vector) | ❌            | ✅          | ✅          | ✅           |
| मेटाडेटा फ़िल्टरिंग         | ✅ (बुनियादी) | ✅ (समृद्ध) | ✅ (समृद्ध) | ✅ (GraphQL) |
| कीवर्ड खोज                  | ❌            | ✅          | ✅          | ✅           |
| मल्टी-वेक्टर खोज            | ❌            | ✅          | ✅          | ✅           |
| Sparse vectors (SPLADE)     | ❌            | ✅          | ✅          | ✅           |
| नामित वेक्टर                | ❌            | ✅          | ✅          | ✅           |

### परिचालन सुविधाएँ

| विशेषता                | ChromaDB | Qdrant | Milvus | Weaviate |
| ---------------------- | -------- | ------ | ------ | -------- |
| REST API               | ✅        | ✅      | ✅      | ✅        |
| gRPC API               | ❌        | ✅      | ✅      | ❌        |
| GraphQL API            | ❌        | ❌      | ❌      | ✅        |
| प्रमाणीकरण             | बेसिक    | ✅      | ✅      | ✅        |
| RBAC                   | ❌        | ✅      | ✅      | ✅        |
| क्षैतिज स्केलिंग       | ❌        | ✅      | ✅      | ✅        |
| Kubernetes समर्थन      | ❌        | ✅      | ✅      | ✅        |
| Snapshots/Backup       | ❌        | ✅      | ✅      | ✅        |
| मॉनिटरिंग (Prometheus) | ❌        | ✅      | ✅      | ✅        |

***

## ChromaDB: विस्तृत विश्लेषण

### मजबूतियाँ

✅ **सबसे सरल सेटअप** — `pip install chromadb` और आपका काम पूरा\
✅ **एम्बेडेड मोड** — कोई अलग सर्वर प्रक्रिया नहीं\
✅ **स्वचालित एम्बेडिंग** — अंतर्निहित एम्बेडिंग मॉडल\
✅ **LangChain/LlamaIndex** नेटिव एकीकरण\
✅ **शून्य कॉन्फ़िगरेशन** — प्रोटोटाइपिंग के लिए बेहतरीन

### कमज़ोरियाँ

❌ **सीमित स्केल** — 1-2M वेक्टर से आगे कठिनाई होती है\
❌ **वितरित मोड नहीं** — केवल एकल नोड\
❌ **सीमित फ़िल्टरिंग** — कोई पूर्व-फ़िल्टरिंग नहीं\
❌ **क्वांटाइज़ेशन नहीं** — अधिक मेमोरी उपयोग\
❌ **पैमाने पर धीमा** — Python-आधारित संचालन

### Clore.ai पर परिनियोजन

```bash
# क्लाइंट/सर्वर मोड
docker run -d \\
  --name chromadb \
  -p 8000:8000 \
  -v $(pwd)/chroma-data:/chroma/chroma \
  chromadb/chroma:latest

# परीक्षण
curl http://localhost:8000/api/v1/heartbeat
```

**इनके लिए सर्वश्रेष्ठ**: Jupyter notebooks, तेज़ RAG प्रोटोटाइप, <1M वेक्टर

***

## Qdrant: विस्तृत विश्लेषण

### मजबूतियाँ

✅ **सर्वश्रेष्ठ फ़िल्टरिंग** — वास्तविक प्री-फ़िल्टर्ड वेक्टर खोज\
✅ **Rust प्रदर्शन** — अत्यंत तेज़, कम विलंबता\
✅ **क्वांटाइज़ेशन** — binary/scalar से मेमोरी 4-32× कम होती है\
✅ **स्पार्स वेक्टर** — हाइब्रिड dense+sparse खोज\
✅ **सरल संचालन** — एकल बाइनरी, कोई निर्भरता नहीं\
✅ **अच्छा दस्तावेज़ीकरण** — उत्कृष्ट गाइड और उदाहरण

### कमज़ोरियाँ

❌ **एकल-लेखक** मुफ़्त टियर में (कोई वितरित लेखन नहीं)\
❌ **छोटा इकोसिस्टम** Milvus की तुलना में\
❌ **कोई GraphQL नहीं** — केवल REST/gRPC

### Clore.ai पर परिनियोजन

```bash
# सरल परिनियोजन
docker run -d \\
  --name qdrant \
  -p 6333:6333 \
  -p 6334:6334 \
  -v $(pwd)/qdrant-storage:/qdrant/storage \
  qdrant/qdrant:latest

# प्रमाणीकरण के साथ
docker run -d \\
  --name qdrant \
  -p 6333:6333 \
  -e QDRANT__SERVICE__API_KEY=your-secret-key \
  -v $(pwd)/qdrant-storage:/qdrant/storage \
  qdrant/qdrant:latest

# परीक्षण
curl http://localhost:6333/health
```

**इनके लिए सर्वश्रेष्ठ**: प्रोडक्शन RAG, फ़िल्टर्ड खोज, 1-100M वेक्टर

***

## Milvus: विस्तृत विश्लेषण

### मजबूतियाँ

✅ **विशाल पैमाना** — 10B+ वेक्टर तक परीक्षण किया गया\
✅ **वितरित** — क्लाउड-नेटिव Kubernetes आर्किटेक्चर\
✅ **अधिकांश इंडेक्स प्रकार** — IVF, HNSW, DiskANN, ScaNN\
✅ **GPU त्वरण** — GPU-संचालित इंडेक्स निर्माण\
✅ **एंटरप्राइज़ सुविधाएँ** — RBAC, ऑडिट लॉग, एन्क्रिप्शन\
✅ **Zilliz Cloud** — पूर्णत: प्रबंधित विकल्प

### कमज़ोरियाँ

❌ **जटिल परिनियोजन** — etcd, MinIO, और Pulsar/Kafka की आवश्यकता होती है\
❌ **संसाधन-भारी** — न्यूनतम 3 नोड अनुशंसित\
❌ **सीखने की प्रक्रिया अधिक कठिन** — समझने के लिए अधिक अवधारणाएँ\
❌ **छोटे पैमाने के लिए जरूरत से ज़्यादा** — <1M वेक्टर के लिए उपयोग न करें

### Clore.ai पर परिनियोजन (स्टैंडअलोन)

```yaml
# Milvus स्टैंडअलोन के लिए docker-compose.yml
version: "3.8"
services:
  etcd:
    image: quay.io/coreos/etcd:v3.5.5
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
    command: etcd -advertise-client-urls=http://etcd:2379 -listen-client-urls=http://0.0.0.0:2379

  minio:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    environment:
      MINIO_ACCESS_KEY: minioadmin
      MINIO_SECRET_KEY: minioadmin
    command: minio server /minio_data --console-address ":9001"

  milvus:
    image: milvusdb/milvus:v2.4.0
    command: ["milvus", "run", "standalone"]
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - etcd
      - minio
```

```bash
docker compose up -d
# पूरी तरह शुरू होने में ~60 सेकंड लगते हैं
```

**इनके लिए सर्वश्रेष्ठ**: बड़े पैमाने का प्रोडक्शन, 100M+ वेक्टर, एंटरप्राइज़ परिनियोजन

***

## Weaviate: विस्तृत विश्लेषण

### मजबूतियाँ

✅ **बहु-मोडल** — टेक्स्ट, इमेज, ऑडियो, वीडियो\
✅ **स्वचालित वेक्टराइज़ेशन** — अंतर्निहित मॉडल इंटीग्रेशन\
✅ **GraphQL API** — ग्राफ़ ट्रैवर्सल के साथ समृद्ध क्वेरी\
✅ **मॉड्यूल सिस्टम** — प्लग-इन योग्य वेक्टराइज़र और रीडर\
✅ **हाइब्रिड खोज** — BM25 + वेक्टर डिफ़ॉल्ट रूप से\
✅ **जनरेटिव सर्च** — generate module के साथ अंतर्निहित RAG

### कमज़ोरियाँ

❌ **अधिक मेमोरी** — स्कीमा-सजग स्टोरेज बड़ा होता है\
❌ **gRPC नहीं** — केवल GraphQL (उच्च QPS पर धीमा)\
❌ **जटिल स्कीमा** — पहले से क्लास परिभाषा आवश्यक\
❌ **अत्यधिक पैमाने पर धीमा** Milvus की तुलना में

### Clore.ai पर परिनियोजन

```bash
# सरल परिनियोजन
docker run -d \\
  --name weaviate \\
  -p 8080:8080 \
  -p 50051:50051 \\
  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \\
  -e PERSISTENCE_DATA_PATH=/var/lib/weaviate \\
  -e DEFAULT_VECTORIZER_MODULE=none \\
  -e CLUSTER_HOSTNAME=node1 \\
  -v $(pwd)/weaviate-data:/var/lib/weaviate \
  cr.weaviate.io/semitechnologies/weaviate:1.25.0

# ट्रांसफॉर्मर वेक्टराइज़र के साथ
docker run -d \\
  --name weaviate \\
  -p 8080:8080 \
  -e DEFAULT_VECTORIZER_MODULE=text2vec-transformers \
  -e TRANSFORMERS_INFERENCE_API=http://t2v-transformers:8080 \
  cr.weaviate.io/semitechnologies/weaviate:1.25.0
```

**इनके लिए सर्वश्रेष्ठ**: मल्टी-मोडल खोज, नॉलेज ग्राफ़, जेनरेटिव खोज

***

## कब किसका उपयोग करें

### पैमाना-आधारित निर्णय

```
< 100K vectors    → ChromaDB (embedded)
100K - 10M        → Qdrant (best balance)
10M - 1B          → Milvus or Qdrant (clustered)
1B+               → Milvus (distributed)
```

### उपयोग-मामला-आधारित निर्णय

| उपयोग-प्रकरण   | सर्वश्रेष्ठ विकल्प | क्यों                        |
| -------------- | ------------------ | ---------------------------- |
| RAG प्रोटोटाइप | ChromaDB           | बिना सेटअप, सरल API          |
| प्रोडक्शन RAG  | Qdrant             | तेज़ फ़िल्टरिंग, सरल संचालन  |
| सार्थक खोज     | Qdrant या Milvus   | सर्वोत्तम प्रदर्शन           |
| बहु-मोडल       | Weaviate           | अंतर्निहित इमेज/ऑडियो समर्थन |
| नॉलेज ग्राफ़   | Weaviate           | ग्राफ़ ट्रैवर्सल क्वेरीज़    |
| अरब-स्तरीय     | Milvus             | वितरित आर्किटेक्चर           |
| हाइब्रिड खोज   | Qdrant या Weaviate | BM25 + वेक्टर                |
| एंटरप्राइज़    | Milvus या Weaviate | RBAC, ऑडिट लॉग               |

***

## Clore.ai पर मेमोरी आवश्यकताएँ

### RAM अनुमान सूत्र

```
आवश्यक RAM ≈ (vectors × dimensions × 4 bytes) × 1.5 (overhead)

उदाहरण: 1M vectors × 1536 dims × 4 bytes × 1.5 = 9.2GB RAM

क्वांटाइज़ेशन के साथ (Qdrant binary):
1M × 1536 / 8 × 1.5 = 0.29GB RAM (32× संपीड़न!)
```

### अनुशंसित सर्वर स्पेक्स

| डेटासेट आकार | ChromaDB | Qdrant   | Milvus   | Weaviate |
| ------------ | -------- | -------- | -------- | -------- |
| 1M वेक्टर    | 16GB RAM | 8GB RAM  | 32GB RAM | 16GB RAM |
| 10M वेक्टर   | ❌        | 32GB RAM | 64GB RAM | 48GB RAM |
| 100M वेक्टर  | ❌        | 128GB+   | 256GB+   | 256GB+   |

***

## त्वरित तुलना: Docker सेटअप समय

| डेटाबेस  | `docker run` तैयार होने तक | निर्भरताएँ          |
| -------- | -------------------------- | ------------------- |
| ChromaDB | \~5 seconds                | कोई नहीं            |
| Qdrant   | \~3 seconds                | कोई नहीं            |
| Milvus   | \~60 seconds               | etcd + MinIO        |
| Weaviate | \~15 सेकंड                 | कोई नहीं (स्वतंत्र) |

***

## मूल्य निर्धारण (Clore.ai पर स्व-होस्टेड)

चारों डेटाबेस हैं **निःशुल्क** स्व-होस्ट करने के लिए निःशुल्क हैं। लागत केवल Clore.ai सर्वर किराया है:

```
उदाहरण: 1M वेक्टर वाला RAG सिस्टम
- Qdrant: 8GB RAM सर्वर ~$0.10/घंटा
- ChromaDB: 16GB RAM सर्वर ~$0.15/घंटा  
- Weaviate: 16GB RAM सर्वर ~$0.15/घंटा
- Milvus: 32GB RAM सर्वर ~$0.30/घंटा (+ etcd/minio के लिए अतिरिक्त ओवरहेड)
```

***

## उपयोगी लिंक

* [ChromaDB दस्तावेज़](https://docs.trychroma.com)
* [Qdrant दस्तावेज़](https://qdrant.tech/documentation)
* [Milvus दस्तावेज़](https://milvus.io/docs)
* [Weaviate दस्तावेज़](https://weaviate.io/developers/weaviate)
* [ANN बेंचमार्क](https://ann-benchmarks.com)
* [Qdrant द्वारा वेक्टर DB बेंचमार्क](https://qdrant.tech/benchmarks)

***

## सारांश

| ...से शुरू करें | यदि आपको चाहिए...                                      |
| --------------- | ------------------------------------------------------ |
| **ChromaDB**    | त्वरित प्रोटोटाइप, <1M वेक्टर, न्यूनतम सेटअप           |
| **Qdrant**      | प्रोडक्शन RAG, बेहतरीन फ़िल्टरिंग, संचालन संबंधी सरलता |
| **Milvus**      | अरब-स्तरीय, एंटरप्राइज़, वितरित आर्किटेक्चर            |
| **Weaviate**    | बहु-मोडल, नॉलेज ग्राफ़, GraphQL क्वेरी करना            |

Clore.ai पर अधिकांश प्रोडक्शन RAG अनुप्रयोगों के लिए, **Qdrant** प्रदर्शन, सुविधाओं और संचालन संबंधी सरलता का सर्वोत्तम संतुलन प्रदान करता है। बड़े पैमाने या एंटरप्राइज़ आवश्यकताओं के लिए, **Milvus** उद्योग मानक है।

***

## Clore.ai GPU अनुशंसाएँ

| उपयोग-प्रकरण   | अनुशंसित GPU    | Clore.ai पर अनुमानित लागत                 |
| -------------- | --------------- | ----------------------------------------- |
| विकास/परीक्षण  | RTX 3090 (24GB) | $0.07–0.21/gpu/hr                         |
| प्रोडक्शन      | RTX 4090 (24GB) | $0.14–0.42/gpu/hr                         |
| बड़े पैमाने पर | A100 80GB       | [bare metal](https://clore.ai/bare-metal) |

> 💡 इस गाइड के सभी उदाहरण [Clore.ai](https://clore.ai/marketplace) GPU servers पर तैनात किए जा सकते हैं। उपलब्ध GPUs ब्राउज़ करें और घंटे के हिसाब से किराए पर लें — कोई प्रतिबद्धता नहीं, पूर्ण root access.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-hi/comparisons/vector-db-comparison.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.