“ Zilliz Cloud has been an important part of Exa’s journey to build and scale entity search, giving us the retrieval performance and operational simplicity we need to scale quickly and confidently. ”
Jeffrey WangCo-Founder
Zilliz Cloud named a leader in the Forrester Wave™
Vector Database Providers, Q3 2024
Die Vector
Lakebase für KI
Mehr als Vektordatenbanken: Echtzeit-Serving, iterative Discovery und Batch-Analytics auf einer einzigen Quelle der Wahrheit, jeweils zu den passenden Kosten und im Maßstab von Hunderten Milliarden Datensätzen.
Gebaut von den Schöpfern von Milvus.
Mit der CLI entwickelncurl -fsSL https://zilliz.com/cli/install.sh | bash
S3
Hot Cache
On-demand
Compute
Compute
Zilliz CLI und Agent Skills für Zilliz Cloud
Ab heute können Sie Ihre gesamte Zilliz Cloud-Bereitstellung verwalten, ohne Terminal oder KI-Coding-Agent zu verlassen. Stellen Sie Cluster bereit, führen Sie Suchen aus, konfigurieren Sie Backups und verwalten Sie Zugriffskontrollen per CLI-Befehl oder natürlicher Sprache. Keine Konsole. Kein Kontextwechsel.
Gebaut für Verlässlichkeit
Basiert auf einem tiefgreifenden Verständnis der Ausfallmodi von großen Vektordatenbanken. Seit 8 Jahren in über 10.000 Unternehmen produktionserprobt.
Für den Maßstab gebaut
Entwickelt, um 100B+ Entitäten und 10K+ QPS mit gleichbleibender Latenz und vorhersehbarer Leistung zu verarbeiten.
Gebaut für niedrigere Kosten
Alle Daten und Indizes auf S3, mit Hot-Cache und On-Demand-Compute, um die Kosten um 90 % zu senken.
Vollspektrums-Suche
Von Vektoren und Text zu JSON und Geodaten - kombiniert mit hybrider Abfrage, Filterung und Reranking für aussagekräftige multimodale Abfragen.
Lake-Native Storage
Einheitlicher Speicher für Serving und Analysen, basierend auf Vortex, einem offenen Format der nächsten Generation. Bis zu 10-mal schnellere und kostengünstigere Zufallslesevorgänge als Lance, mit Flexibilität pro Spaltenformat.
“ With Zilliz Cloud, we have achieved a true consciousness of data, bringing the data together in the way that an individual doing their job needs to see it. ”
Nathan MorrisCo-Founder
“ Zilliz Cloud has helped us create a strong foundation behind the scenes as we continue to grow and serve hundreds of thousands of clinicians. ”
Jagath KumarHead of Performance Engineering
“ Zilliz gave us real-time retrieval for our multilingual RAG system at scale with tight latency targets. It freed up engineering cycles and let us focus on improving reasoning on the model side, not managing infrastructure. ”
Dr. Pratyush KumarCo-Founder
Echtzeit-Dienste Highlights
Mehrstufige Architektur
Optimieren Sie unterschiedliche Workloads mit flexiblen Tiers - für höchste Leistung, ausgewogene Effizienz und kosteneffiziente Skalierung über große Datensätze hinweg.
- Leistungsoptimierte Lösung
- Kapazitätsoptimierte Lösung
- Tiered-Storage-Lösung
Massive Mehrmandantenfähigkeit für KI-Anwendungen
Unbegrenzte Namespaces mit hybrider Vektor-, Volltext- und JSON-Suche sowie Hot-Cold Data Serving.
Globaler Cluster
Bereitstellung in mehreren Regionen mit Replikation und Failover - Gewährleistung eines weltweiten Zugriffs mit niedriger Latenz und hoher Verfügbarkeit zur Unterstützung der schnellen globalen Expansion von KI-Anwendungen.
Leistung
Setup: 768-dimensional vectors, top-k = 10, cluster-size = 1 CU
Performance-Optimized SolutionCapacity-Optimized SolutionTiered-Storage Solution
Average Latency
3 ms
21 ms
107 ms
P99 Latency
5 ms
37 ms
253 ms
QPS
1476
236
22
Total Vectors
2M
6M
25M
Höhepunkte der On-Demand-Datenverarbeitung
On-Demand-Suche
Sie zahlen pro Abfrage, nicht pro bereitgestellter Rechenleistung - und ermöglichen so drastisch niedrigere Kosten als bei Serverless im großen Maßstab.
Nahtloses Backfill & Schema Iteration
Backfill und Weiterentwicklung von Schemata und Datenmodellen online - ohne Beeinträchtigung des Betriebs, für kontinuierliche KI-Iteration.
Bringen Sie Indizes zu Ihrem See
Ein optionaler Zugriffsmodus, um direkt auf Ihre S3-Daten zuzugreifen (Iceberg, Lance, Vortex, Parquet). Behalten Sie Daten in Ihrem Bucket, während Indizes auf Zilliz erstellt und bereitgestellt werden - keine Kopien, kein ETL.
Leistung und Kosten
Setup: 1 billion 768-dimensional vectors, top-k = 100k, cluster-size =64 CU
Warm SearchCold-Start Search
Average Latency
0.6 s
16 s
P99 latency
1.1 s
18 s
Total Vectors
1B
1B
Cost per 1K Searches(5% cold-start, 95% warm)$9.9
Write cost$0
Storage Cost / Month(1B vectors + index, 2.1 TB)$53.7
Die CLI für Vector Lakebase
Ihre Vector Lakebase. Ihr Terminal. Volle Kontrolle.
Die offizielle CLI für Verwaltung, Suche und Analyse.
Terminal