Milvus 2.6.x jetzt allgemein auf Zilliz Cloud verfügbar und macht die Vektorsuche schneller, intelligenter und kosteneffizienter für Produktions-KI
Milvus 2.6.x ist seit einiger Zeit in der Open-Source-Community verfügbar und hat sich schnell zu einem beliebten Upgrade-Pfad entwickelt. Nutzer haben es für reibungslosere Datenaufnahme, bessere Performance, verbesserte Kosteneffizienz und leistungsfähigere hybride Suche übernommen. Sobald Milvus 2.6.x upstream veröffentlicht wurde, hörten wir von vielen Zilliz Cloud-Nutzern immer wieder dieselbe Frage: „Wann können wir Milvus 2.6.x in der Produktion auf Zilliz Cloud ausführen?“
Heute freuen wir uns, bekannt zu geben, dass Milvus 2.6.x offiziell allgemein verfügbar (GA) auf Zilliz Cloud ist und alle Kunden sofort damit beginnen können, es zu nutzen. Diese Version bringt nicht nur den vollständigen Funktionsumfang von Milvus 2.6.x in unsere vollständig verwaltete Cloud-Umgebung, sondern führt auch eine Reihe von Cloud-exklusiven Optimierungen ein, die Performance, Stabilität und Effizienz über das hinaus steigern, was in selbstverwalteten Bereitstellungen möglich ist.
Für Teams, die schnell RAG-Systeme, Conversational Agents, Empfehlungsmaschinen, Enterprise-Wissensplattformen oder andere KI-gestützte Anwendungen entwickeln, prototypisieren oder produktiv betreiben, bedeutet der Betrieb von Milvus 2.6.x auf Zilliz Cloud den Zugriff auf die neuesten Milvus-Funktionen mit der Einfachheit, Zuverlässigkeit und Kosteneffizienz eines vollständig verwalteten Dienstes – damit Teams sich weiterhin auf das Entwickeln konzentrieren können, nicht auf den Betrieb von Infrastruktur.
Warum Milvus 2.6.x wichtig ist — und was an Zilliz Cloud besonders ist
Milvus 2.6.x ist ein großer Schritt nach vorn für die Vektorsuche in der Produktion und bringt schnelleres Indexing, niedrigere Speicher- und Arbeitsspeicherkosten, bessere Textabfrage und verbesserte Sprachunterstützung. Es verbessert, wie Daten im gesamten System gespeichert, durchsucht und verwaltet werden, wodurch KI-Workloads in großem Maßstab effizienter und einfacher zu betreiben sind.
Da Milvus 2.6.x nun auf Zilliz Cloud GA ist, sind all diese Verbesserungen sofort in einer vollständig verwalteten, produktionsbereiten Umgebung verfügbar. Und weil Zilliz Cloud von den Entwicklern von Milvus gebaut und betrieben wird, geht es über die Open-Source-Version hinaus – mit vielen Cloud-exklusiven Optimierungen für Automatisierung, Performance, Zuverlässigkeit und Stabilität auf Unternehmensniveau.
Kurz gesagt: Milvus 2.6.x liefert den größten technischen Fortschritt seit Jahren, und Zilliz Cloud macht daraus einen schlüsselfertigen, skalierbaren Dienst, den Sie heute in der Produktion betreiben können.
Werfen wir einen Blick auf die wichtigsten Funktionen und Vorteile, die Sie beim Betrieb von Milvus 2.6.x auf Zilliz Cloud erwarten können.
Dreischichtiger Tiered Storage, der die Kosten der Vektorsuche auf nahezu S3-Niveau senkt
Nicht alle Daten sind gleich. In echten KI-Systemen wird nur ein kleiner Teil der Daten – aktuelle Klicks, trendende Produkte oder häufig referenzierte Dokumente – ständig abgerufen. Der Rest liegt die meiste Zeit ungenutzt. Viele Vektordatenbanken zwingen Sie jedoch, alles in hochperformantem (und kostspieligem) Speicher abzulegen, was Ihre Gesamtbetriebskosten drastisch erhöht.
Milvus 2.6.x ändert das mit integriertem Tiered Storage, und Zilliz Cloud geht mit einem vollständig cloudnativen, dreischichtigen Design noch weiter. Anstatt für Ihren gesamten Korpus SSD- oder Arbeitsspeicherpreise zu zahlen, werden Ihre Daten automatisch in der Speicherschicht platziert, die ihrem Zugriffsmuster entspricht.
Konkret gilt in den Tiered-Storage-Clustern von Zilliz Cloud:
Object Storage (z. B. S3) speichert Ihren vollständigen Datensatz
Lokale SSD fungiert als Warm Cache, der wiederholte Zugriffe beschleunigt
Arbeitsspeicher dient als Hot Tier für Abfragen mit sofortiger Antwort
Diese Architektur passt sich in Echtzeit an: Wenn sich Traffic-Muster ändern, stuft das System Daten automatisch zwischen den Schichten hoch oder herab. In Produktionstests liefert dies Cache-Hit-Raten von über 90 %, was bedeutet, dass die meisten Abfragen aus schnellem Arbeitsspeicher oder von SSD bedient werden – Ihre grundlegende Speicherrechnung verhält sich jedoch weiterhin wie S3.
In der Praxis kann Tiered Storage die Speicherkosten um bis zu 87 % senken, die Compute-Ausgaben um 25 % reduzieren und Ihre gesamten TCO bemerkenswert nah an die reinen S3-Preise heranführen. Ein 10-TB-Datensatz, der früher rund $3.000/Monat kostete, kann jetzt für etwa $400 betrieben werden – und dennoch eine konstant latenzarme Suche für Hot Workloads liefern.
Daher sind Tiered-Storage-Cluster ideal für extrem große, kostensensitive Anwendungen mit klaren Hot-/Cold-Datenmustern, wie zum Beispiel:
Long-Tail-Produktsuche, bei der Millionen von SKUs existieren, aber nur die obersten 5–10 % täglich abgefragt werden
Unternehmensweite Dokumenten-Repositories, in denen nur die neuesten Inhalte häufig durchsucht werden
Nachrichten- und Medienarchive, in denen aktuelle Artikel hot und historische Inhalte cold sind
Jede Workload, bei der das Datenvolumen schneller wächst als das Budget, und nur ein Teil der Daten eine schnelle In-Memory-Performance benötigt
Weitere Informationen zu den Preisen für Tiered Storage finden Sie in den Zilliz Cloud docs.
Index Build Level: Suchgenauigkeit und Speicherkosten automatisch abwägen
Tiered Storage reduziert bereits die Kosten für die Speicherung von Rohvektoren, indem unterschiedliche Daten in unterschiedlichen Tiers abgelegt werden. Doch selbst wenn Rohdaten günstig aufbewahrt werden können, bleibt in Vektorsuchsystemen ein wesentlicher Kostentreiber bestehen: Indizes.
So wie ein Zettelkatalog es ermöglicht, Bücher in einer Bibliothek sofort zu finden, machen Indizes Vektorsuchen in massivem Maßstab schnell – und sie müssen im Arbeitsspeicher oder auf SSD bleiben. Grundsätzlich gilt: Je genauer Ihre Ergebnisse sein sollen, desto mehr Nachbarn, Graph-Verknüpfungen und Metadaten muss ein Index verwalten, und desto größer wird er. Bei Workloads im Milliardenmaßstab kann der Index sogar größer sein als die Rohvektoren selbst.
Allerdings benötigt nicht jede KI-Anwendung maximale Suchgenauigkeit. Einige Workloads – wie Betrugserkennung oder Ranking – erfordern sie unbedingt. Andere hingegen, etwa Long-Tail-Produktsuche, Log-Abruf, Archive und Experimentierumgebungen, können einen winzigen Genauigkeitsverlust gegen deutlich kleinere Indizes und niedrigere Kosten eintauschen. Deshalb ist die Steuerung des Genauigkeits-Kapazitäts-Kompromisses wichtig: Ein etwas weniger präziser Index kann drastisch kleiner, günstiger und für viele Workloads dennoch vollkommen ausreichend sein.
Mit diesem Release führt Zilliz Cloud die Index Build Level-Funktion ein, die Ihnen hilft, automatisch das Genauigkeits-Kapazitäts-Verhältnis auszuwählen, das zu Ihren KI-Workloads passt.
Precision-first: Maximale Recall-Rate (Genauigkeit) für geschäftskritische Workloads wie KI-gestützte Betrugserkennung.
Balanced (Default): Eine starke Mischung aus Genauigkeit, Performance und Speichereffizienz – ideal für die meisten allgemeinen KI-Anwendungen.
Capacity-first: Stark auf Speicherdichte optimiert. Perfekt für Cold Data, große Archive oder Workloads, bei denen perfekte Recall-Rate nicht erforderlich ist.
Im Hintergrund wendet Zilliz Cloud eine Quantisierungs-Engine der nächsten Generation an, die Indexkomprimierung und -struktur dynamisch abstimmt und Ihnen so das ideale Gleichgewicht aus Größe, Genauigkeit und Kosten bietet – ganz ohne manuelle Konfiguration.
Erweiterte Datentypunterstützung für mehr reale KI-Anwendungsfälle
Bisher erforderte die Unterstützung standortbezogener Suche, zeitbasierter Filterung oder komplexer strukturierter Entitäten in KI-Anwendungen zusätzliche Datenbanken, GIS-Tools oder umfangreiches Preprocessing neben einer Vektordatenbank. Milvus 2.6.x beseitigt diese Komplexität, indem es weitere grundlegende Datentypen hinzufügt, die es ermöglichen, diese Workloads vollständig innerhalb von Zilliz Cloud auszuführen. Dies erweitert die Möglichkeiten, die Entwickler nativ umsetzen können, vereinfacht die Architektur und reduziert den operativen Aufwand.
Geometry Fields (POINT, LINESTRING, POLYGON)
In vielen Liefer-, Logistik- und E-Commerce-Anwendungen muss die Suche semantische Relevanz mit Geofilterung kombinieren. Abfragen wie „Finde Restaurants, die diesem ähnlich sind, im Umkreis von 1 km“ oder „Rufe nahegelegene EV-Ladestationen ab, sortiert nach Nutzerpräferenzen“ erforderten bisher eine separate GIS-Engine zusätzlich zu einer Vektordatenbank. Mit nativen Geometrietypen ermöglicht Zilliz Cloud, semantische Ähnlichkeit + Standortbewusstsein in einer einzigen Abfrage zu kombinieren – ohne zusätzliche Systeme bereitzustellen oder zu warten.
TimestampTz (Zeitzonenbewusste Zeitstempel)
Zeit ist eine kritische Dimension in vielen realen KI-Anwendungen – von Eventplanung und Monitoringsystemen bis hin zu Log-Analysen und Alarmierung. Ohne native Zeitunterstützung mussten Teams Vektordatenbanken mit externen Zeitreihenspeichern oder umständlichen Kodierungsstrategien kombinieren. Mit TimestampTz unterstützt Zilliz Cloud jetzt zeitfensterbasierte Vektorsuche, nach Aktualität gewichtetes Ranking und ereignisgesteuerten Abruf, wodurch temporales Schließen deutlich einfacher wird und sauberere Pipelines für Logs, Alerts, Monitoring und Echtzeitanalysen ermöglicht werden.
INT8-Vektortyp (8-Bit-Embeddings)
Moderne Embedding-Modelle – insbesondere effizienzorientierte wie E5-base und MiniLM-L12 – erzeugen häufig 8-Bit-Embeddings. Zuvor mussten Entwickler sie in Floats hochkonvertieren, was Arbeitsspeicher und Speicherplatz verschwendete. Native INT8-Unterstützung bedeutet:
Kleinere Vektoren → geringere Speicher- und Arbeitsspeicherkosten
Kleinere Payloads → höherer Durchsatz
Keine Vorverarbeitung oder Formatkonvertierung
Dies ist besonders wertvoll für Edge-KI, leichtgewichtige Modelle und kostensensitive Workloads.
Struct und Array-of-Structs
Daten aus der realen Welt sind nicht einfach nur eine Liste einfacher Felder. Ein Produkt kann mehrere Größen und Bilder haben, ein Nutzer kann mehrere Präferenzen und Verhaltensweisen aufweisen, und ein Dokument kann Abschnitte, Tags und Metadaten enthalten. In früheren Versionen von Zilliz Cloud erforderte die Modellierung dieser Art von „Daten innerhalb von Daten“ das Abflachen von Feldern und das Duplizieren von Informationen.
Da Struct und Array-of-Structs nun nativ unterstützt werden, können Sie mit Zilliz Cloud reichhaltige, verschachtelte Informationen direkt speichern und abfragen. Dadurch wird es einfacher, komplexe Entitäten so darzustellen, wie sie tatsächlich sind – ohne Workarounds oder zusätzliche Systeme. Dies ermöglicht eine sauberere Modellierung für Anwendungsfälle wie:
Produktkataloge mit verschachtelten Attributen
Nutzerprofile mit mehreren Verhaltenssignalen
Dokumente mit mehrschichtigen oder hierarchischen Metadaten
Multimodale Elemente, die Text, Bilder und strukturierte Metadaten kombinieren
Indem diese Beziehungen intakt bleiben, erhalten Entwickler einfachere Abfragen, weniger Joins und ein realistischeres, ausdrucksstärkeres Datenmodell – alles innerhalb der Vektordatenbank.
JSON Shredding und JSON Path: Metadatenfilterung mit besserer Suchgenauigkeit 100× schneller machen
KI-Anwendungen wie E-Commerce-Suche und Empfehlungssysteme speichern und rufen nicht nur Vektoren ab – sie stützen sich stark auf Metadaten: Produktdetails, Nutzerattribute, Dokument-Tags, Ereignisprotokolle, Präferenzen, Konfigurationen und mehr. JSON ist in der Regel das natürliche Format, weil es flexibel und einfach zu handhaben ist. In den meisten Datenbanken (einschließlich Vektordatenbanken) erfordert das Filtern von JSON jedoch das Scannen des gesamten JSON-Blobs. Wenn Ihre Daten wachsen, werden diese Filter schnell schmerzhaft langsam.
Milvus 2.6.x auf Zilliz Cloud beseitigt diesen Engpass mit nativem JSON Shredding und JSON Path und liefert eine bis zu 100× schnellere Metadatenfilterung direkt innerhalb der Vektordatenbank.
JSON Shredding: Sie speichern Ihre Metadaten weiterhin als reguläres JSON. Daran, wie Sie Daten schreiben, ändert sich nichts. Aber Zilliz Cloud strukturiert JSON im Hintergrund automatisch um, sodass das Filtern bis zu 100× schneller wird, selbst bei großen oder unordentlichen Dokumenten. Es bietet Ihnen die Geschwindigkeit einer strukturierten Datenbank, ohne die Flexibilität von JSON zu opfern.
JSON Path: Mit JSON Path können Sie bestimmte Schlüssel innerhalb Ihres JSON indexieren (wie
price,categoryoderevent.type), sodass Filter auf diesen Feldern sofort ausgeführt werden. Sie teilen Zilliz Cloud einfach mit, welche Schlüssel wichtig sind, und es übernimmt die Optimierung. Das ist perfekt für vorhersehbare Filter wie Bereiche, Gleichheit oder kategoriebasierte Lookups.
Zusammen bringen JSON Shredding und JSON Path strukturierte Filterung und Vektorsuche in ein einziges System, wodurch die Metadatenfilterung drastisch beschleunigt und die Genauigkeit Ihrer endgültigen Abrufresultate verbessert wird. Diese Funktion ist besonders wertvoll für:
Empfehlungssysteme mit umfangreichen Nutzer- oder Elementattributen
RAG-Pipelines, die Dokumente nach Metadaten filtern oder weiterleiten
Multi-Tenant-Architekturen, die effiziente Segmentierung benötigen
Und viele weitere KI-Anwendungen mit umfangreichen Metadaten
BM25-optimierte Volltextsuche: bis zu 7× schneller als Elasticsearch
Enterprise-Wissensassistenten, Chatbots für den Kundensupport und viele andere RAG-basierte KI-Anwendungen verlassen sich auf mehr als Vektorähnlichkeit. Sie benötigen außerdem eine leistungsstarke Volltextsuche, um exakte Begriffe abzugleichen, seltene Entitäten zu verarbeiten, nach domänenspezifischer Sprache zu filtern und LLM-Antworten an präzise Fakten zu binden. Um dies zu erreichen, betreiben viele Teams weiterhin Elasticsearch oder eine andere Text-Engine neben einer Vektordatenbank – wodurch sich ihre Infrastruktur verdoppelt und der Abruf verlangsamt wird.
Zilliz Cloud hat bereits Anfang letzten Jahres die hybride Keyword- + Vektorsuche mit Milvus 2.5.x GA eingeführt. Mit Milvus 2.6.x GA gehen wir noch viel weiter – mit einer BM25-optimierten Volltext-Engine, die eng in die Vektorsuche integriert ist:
4× schneller als Elasticsearch – und bis zu 7× schneller bei bestimmten Datensätzen
Indizes haben nur ein Drittel der Größe des Rohtexts
Vereinheitlichter Keyword- + Vektorabruf in einem System
Geringere Latenz und präzisere Verankerung für LLM-generierte Antworten
Dieses Upgrade ist besonders wertvoll für reale RAG-Anwendungen wie:
Enterprise-Wissensassistenten, die semantischen Abruf kombiniert mit exakten Treffern für Namen, Akronyme, Vorschriften und Fehlercodes benötigen
Kundensupport- und Helpdesk-Copiloten, die Dokumente nach Produktnamen, Versionsnummern, Konfigurationsparametern und Diagnosemeldungen filtern müssen
Und mehr.
Da BM25 direkt in Milvus auf Zilliz Cloud integriert ist, wird die hybride Suche drastisch schneller, kostengünstiger und einfacher zu betreiben – ohne einen separaten Textsuch-Stack zu warten.
Verbesserte mehrsprachige Unterstützung für globale Nutzer sowie bessere Textsuche für alle Sprachen
Wenn Ihre KI-Anwendung Nutzer in mehreren Ländern und Sprachen bedient, hängt die Suchqualität oft davon ab, wie gut das System Text tokenisiert und versteht. Milvus 2.6.x führt mehrere Upgrades ein, die die Abrufgenauigkeit deutlich verbessern, insbesondere für Sprachen mit komplexer Segmentierung wie Japanisch, Koreanisch und Chinesisch. Mit dieser Version bringt Zilliz Cloud diese Funktionen mit optimierten Standardeinstellungen und nahtloser Integration direkt in die Produktion.
Die erweiterte mehrsprachige Unterstützung in Zilliz Cloud umfasst:
Lindera + ICU-Tokenizer für eine deutlich bessere Segmentierung von Japanisch, Koreanisch und gemischtsprachigen Texten
Jieba mit Unterstützung für benutzerdefinierte Wörterbücher, sodass Teams die chinesische Tokenisierung für bestimmte Domänen oder Produktvokabulare feinabstimmen können
run_analyzer, jetzt in der Cloud-Umgebung verfügbar, um Teams dabei zu helfen, das Tokenisierungsverhalten zu prüfen und zu debuggen – für eine konsistente, vorhersehbare Suchqualität
Zilliz Cloud verbessert außerdem den allgemeinen Textabruf für Workloads in allen Sprachen:
Phrase Match, das präzise, geordnete Phrasenabfragen mit konfigurierbarem Slop ermöglicht
NGRAM Index, der Teilzeichenfolgen-, Wildcard-, Fuzzy- und Teiltextsuche über VARCHAR-Felder und JSON-Pfade hinweg beschleunigt
Zusammen machen diese Verbesserungen die mehrsprachige und komplexe Textsuche in Zilliz Cloud deutlich genauer und flexibler – ideal für globale Apps, E-Commerce-Plattformen, Kundensupport-Copiloten, Enterprise-Wissensassistenten und jedes System, bei dem Nutzer unabhängig von Sprache oder Schreibstil zuverlässigen Abruf erwarten.
Eine vollständige Liste der Milvus 2.6.x-Funktionen auf Zilliz Cloud finden Sie in den Milvus-Versionshinweisen.
Bereit, Milvus 2.6.x auf Zilliz Cloud auszuprobieren?
Alle neuen Funktionen von Milvus 2.6.x sind jetzt vollständig auf Zilliz Cloud verfügbar.
Wenn Sie bereits ein Zilliz Cloud-Konto haben, melden Sie sich einfach an und nutzen Sie die neuen Funktionen sofort – ohne erforderliche Upgrades oder Migrationen.
Neu bei Zilliz Cloud? Kostenlos registrieren und $100 Guthaben erhalten, um die weltweit führende verwaltete Vektordatenbank zu erleben.
Haben Sie Fragen zu den Updates? Sehen Sie sich die neueste Dokumentation an oder wenden Sie sich an den Zilliz Support—wir sind hier, um Ihnen zu helfen, das Beste aus Milvus 2.6.x auf Zilliz Cloud herauszuholen.
Ohne Grenzen entwickeln: Ein genauerer Blick auf die unternehmensgerechten Funktionen von Zilliz Cloud
Mit der GA von Milvus 2.6.x auf Zilliz Cloud festigt die Plattform ihre Position als leistungsstärkster, kosteneffizientester und sicherster vollständig verwalteter Vektordatenbankdienst weiter—und bietet gleichzeitig die volle Leistungsfähigkeit der fortschrittlichen KI-Suchfunktionen von Milvus in einer operativ mühelosen, unternehmensgerechten Umgebung.
Elastische Skalierung & Kosteneffizienz – One-Click-Bereitstellung, serverloses Autoscaling und Pay-as-you-go-Preise.
Fortschrittliche KI-Suche – Vektor-, Volltext- und hybride Suche (sparse + dense) mit Metadatenfilterung, dynamischem Schema und Mandantenfähigkeit.
Zuverlässigkeit & Sicherheit auf Unternehmensniveau – 99,95 % SLA, SOC 2 Type II- und ISO 27001-Zertifizierungen, DSGVO-Konformität, HIPAA-Bereitschaft, RBAC, BYOC, Audit-Logs, geschäftskritischer Plan und jetzt globale Cluster. Weitere Informationen finden Sie in unserem Trust Center.
Globale Verfügbarkeit – Bereitstellungen über AWS, GCP und Azure mit Latenzzeiten von unter 100 ms weltweit.
Nahtlose Migration – Integrierte Tools für den Umzug von Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate oder lokalem Milvus.
Abfragen in natürlicher Sprache – Unterstützung für MCP server für intuitive Abfragen ohne komplexe APIs.
Zusammengenommen machen diese Funktionen Zilliz Cloud zu mehr als einer Vektordatenbank — einer vollständig verwalteten, produktionsbereiten Plattform zum Erstellen und Skalieren von KI-Anwendungen ohne Einschränkungen.
Weiterlesen
My Wife Wanted Dior. I Spent $600 on Claude Code to Vibe-Code a 2M-Line Database Instead.
Write tests, not code reviews. How a test-first workflow with 6 parallel Claude Code sessions turns a 2M-line C++ codebase into a daily shipping pipeline.
OpenAI o1: What Developers Need to Know
In this article, we will talk about the o1 series from a developer's perspective, exploring how these models can be implemented for sophisticated use cases.
DeepSeek-VL2: Mixture-of-Experts Vision-Language Models for Advanced Multimodal Understanding
Explore DeepSeek-VL2, the open-source MoE vision-language model. Discover its architecture, efficient training pipeline, and top-tier performance.