Milvus 2.6.x ya está disponible de forma general en Zilliz Cloud, lo que hace que la búsqueda vectorial sea más rápida, más inteligente y más rentable para la IA en producción
Milvus 2.6.x ha estado disponible en la comunidad de código abierto durante algún tiempo y se ha convertido rápidamente en una ruta de actualización popular. Los usuarios lo han adoptado por una ingesta de datos más fluida, mejor rendimiento, mayor eficiencia de costes y una búsqueda híbrida más capaz. Tan pronto como Milvus 2.6.x se lanzó upstream, empezamos a escuchar la misma pregunta de muchos usuarios de Zilliz Cloud: “¿Cuándo podremos ejecutar Milvus 2.6.x en producción en Zilliz Cloud?”
Hoy nos complace compartir que Milvus 2.6.x está oficialmente disponible de forma general (GA) en Zilliz Cloud, y todos los clientes pueden empezar a usarlo de inmediato. Esta versión no solo lleva el conjunto completo de funciones de Milvus 2.6.x a nuestro entorno en la nube totalmente gestionado, sino que también introduce una serie de optimizaciones exclusivas de la nube que elevan el rendimiento, la estabilidad y la eficiencia más allá de lo posible en implementaciones autogestionadas.
Para los equipos que crean, prototipan u operan rápidamente sistemas RAG de nivel de producción, agentes conversacionales, motores de recomendación, plataformas de conocimiento empresarial o cualquier otra aplicación impulsada por IA, ejecutar Milvus 2.6.x en Zilliz Cloud significa acceder a las capacidades más recientes de Milvus con la facilidad, fiabilidad y eficiencia de costes de un servicio totalmente gestionado, para que los equipos puedan seguir centrados en construir, no en operar infraestructura.
Por qué Milvus 2.6.x importa — y qué tiene de especial en Zilliz Cloud
Milvus 2.6.x es un gran avance para la búsqueda vectorial en producción, ya que aporta indexación más rápida, menores costes de almacenamiento y memoria, mejor recuperación de texto y compatibilidad lingüística mejorada. Actualiza la forma en que los datos se almacenan, buscan y gestionan en todo el sistema, haciendo que las cargas de trabajo de IA a gran escala sean más eficientes y fáciles de operar.
Con Milvus 2.6.x ahora GA en Zilliz Cloud, todas estas mejoras están disponibles de inmediato en un entorno totalmente gestionado y listo para producción. Y como Zilliz Cloud está creado y operado por los creadores de Milvus, va más allá de la versión de código abierto, añadiendo muchas optimizaciones exclusivas de la nube para automatización, rendimiento, fiabilidad y estabilidad de nivel empresarial.
En resumen: Milvus 2.6.x ofrece el mayor salto técnico de los últimos años, y Zilliz Cloud lo convierte en un servicio llave en mano y escalable que puedes ejecutar en producción hoy mismo.
Veamos las funciones y beneficios clave que puedes esperar al ejecutar Milvus 2.6.x en Zilliz Cloud.
Almacenamiento por niveles de tres capas que reduce los costes de búsqueda vectorial hasta niveles cercanos a S3
No todos los datos son iguales. En los sistemas reales de IA, solo una pequeña parte de los datos —clics recientes, productos en tendencia o documentos consultados con frecuencia— se accede constantemente. El resto permanece inactivo la mayor parte del tiempo. Pero muchas bases de datos vectoriales te obligan a almacenar todo en almacenamiento de alto rendimiento (y alto coste), lo que infla drásticamente tu coste total de propiedad.
Milvus 2.6.x cambia eso con almacenamiento por niveles integrado, y Zilliz Cloud lo lleva más lejos con un diseño de tres capas totalmente nativo de la nube. En lugar de pagar precios de SSD o memoria para todo tu corpus, tus datos se colocan automáticamente en el nivel de almacenamiento que coincide con su patrón de acceso.
Específicamente, en los clústeres de almacenamiento por niveles de Zilliz Cloud:
El almacenamiento de objetos (por ejemplo, S3) almacena tu conjunto de datos completo
El SSD local actúa como una caché templada que acelera el acceso repetido
La memoria sirve como nivel caliente para consultas con respuesta instantánea
Esta arquitectura se adapta en tiempo real: cuando cambian los patrones de tráfico, el sistema promueve o degrada automáticamente los datos entre niveles. En pruebas de producción, esto ofrece tasas de acierto de caché superiores al 90%, lo que significa que la mayoría de las consultas se atienden desde memoria rápida o SSD, pero tu factura base de almacenamiento sigue comportándose como S3.
En la práctica, el almacenamiento por niveles puede reducir los costes de almacenamiento hasta en un 87%, reducir los gastos de cómputo en un 25% y acercar notablemente tu TCO general al precio bruto de S3. Un conjunto de datos de 10 TB que antes costaba alrededor de $3,000/mes ahora puede ejecutarse por aproximadamente $400, sin dejar de ofrecer una búsqueda de baja latencia constante para cargas de trabajo calientes.
Por lo tanto, los clústeres de almacenamiento por niveles son ideales para aplicaciones ultragrandes y sensibles al costo con patrones claros de datos calientes/fríos, tales como:
Búsqueda de productos de cola larga donde existen millones de SKU, pero solo se consulta diariamente el 5–10% superior
Repositorios de documentos de toda la empresa donde solo se busca con frecuencia el contenido más reciente
Archivos de noticias y medios donde los artículos actuales son calientes y el contenido histórico es frío
Cualquier carga de trabajo donde el volumen de datos crece más rápido que el presupuesto, y solo un subconjunto de datos necesita un rendimiento rápido en memoria
Para obtener más información sobre los precios del almacenamiento por niveles, consulta la documentación de Zilliz Cloud.
Nivel de creación de índices: equilibra automáticamente la precisión de búsqueda y los costos de almacenamiento
El almacenamiento por niveles ya reduce el costo de almacenar vectores sin procesar al colocar diferentes datos en distintos niveles. Pero incluso cuando los datos sin procesar se vuelven baratos de conservar, todavía queda un importante factor de costo en los sistemas de búsqueda vectorial: los índices.
Al igual que un catálogo de fichas te permite encontrar libros al instante en una biblioteca, los índices hacen que las búsquedas vectoriales a escala masiva sean rápidas, y deben permanecer en memoria o SSD. Básicamente, cuanto más precisos quieras que sean tus resultados, más vecinos, enlaces de grafos y metadatos debe mantener un índice, y mayor será su tamaño. En cargas de trabajo a escala de miles de millones, el índice puede incluso superar el tamaño de los propios vectores sin procesar.
Sin embargo, no todas las aplicaciones de IA necesitan la máxima precisión de búsqueda. Algunas cargas de trabajo, como la detección de fraudes o la clasificación, la requieren absolutamente. Pero otras, como la búsqueda de productos de cola larga, la recuperación de registros, los archivos y los entornos de experimentación, pueden intercambiar una pequeña cantidad de precisión por índices significativamente más pequeños y menor costo. Por eso es importante controlar el equilibrio entre precisión y capacidad: un índice ligeramente menos preciso puede ser drásticamente más pequeño, más barato y aun así perfectamente aceptable para muchas cargas de trabajo.
Durante esta versión, Zilliz Cloud presenta la función Nivel de creación de índices, que te ayuda a seleccionar automáticamente el equilibrio entre precisión y capacidad que se adapta a tus cargas de trabajo de IA.
Prioridad a la precisión: Máxima recuperación (precisión) para cargas de trabajo de misión crítica como la detección de fraudes impulsada por IA.
Equilibrado (predeterminado): Una sólida combinación de precisión, rendimiento y eficiencia de memoria, ideal para la mayoría de las aplicaciones de IA de propósito general.
Prioridad a la capacidad: Fuertemente optimizado para la densidad de almacenamiento. Perfecto para datos fríos, grandes archivos o cargas de trabajo donde no se necesita una recuperación perfecta.
En segundo plano, Zilliz Cloud aplica un motor de cuantización de próxima generación que ajusta dinámicamente la compresión y la estructura del índice, ofreciéndote el equilibrio ideal entre tamaño, precisión y costo, sin requerir ninguna configuración manual.
Compatibilidad ampliada con tipos de datos para más casos de uso reales de IA
Anteriormente, admitir búsqueda con reconocimiento de ubicación, filtrado basado en tiempo o entidades estructuradas complejas en aplicaciones de IA requería bases de datos adicionales, herramientas GIS o un preprocesamiento intensivo junto con una base de datos vectorial. Milvus 2.6.x elimina esa complejidad al agregar más tipos de datos fundamentales que permiten que estas cargas de trabajo se ejecuten completamente dentro de Zilliz Cloud. Esto amplía lo que los desarrolladores pueden crear de forma nativa, simplifica la arquitectura y reduce la sobrecarga operativa.
Campos de geometría (POINT, LINESTRING, POLYGON)
En muchas aplicaciones de entrega, logística y comercio electrónico, la búsqueda debe combinar la relevancia semántica con el filtrado geoespacial. Consultas como “Encuentra restaurantes similares a este dentro de 1 km” o “Recupera estaciones de carga de vehículos eléctricos cercanas, clasificadas según las preferencias del usuario” antes requerían un motor GIS separado junto con una base de datos vectorial. Con tipos de geometría nativos, Zilliz Cloud te permite combinar similitud semántica + reconocimiento de ubicación en una sola consulta, sin sistemas adicionales que implementar o mantener.
TimestampTz (marcas de tiempo con zona horaria)
El tiempo es una dimensión crítica en muchas aplicaciones de IA del mundo real, desde la planificación de eventos y los sistemas de monitoreo hasta el análisis de logs y las alertas. Sin soporte nativo para tiempo, los equipos tenían que combinar bases de datos vectoriales con almacenes externos de series temporales o estrategias de codificación incómodas. Con TimestampTz, Zilliz Cloud ahora admite búsqueda vectorial por ventanas de tiempo, ranking con refuerzo por actualidad y recuperación basada en eventos, lo que simplifica mucho el razonamiento temporal y permite pipelines más limpios para logs, alertas, monitoreo y análisis en tiempo real.
Tipo de vector INT8 (Embeddings de 8 bits)
Los modelos de embedding modernos, especialmente los enfocados en la eficiencia como E5-base y MiniLM-L12, suelen producir embeddings de 8 bits. Anteriormente, los desarrolladores tenían que convertirlos a floats, desperdiciando memoria y almacenamiento. El soporte nativo para INT8 significa:
Vectores más pequeños → menor costo de almacenamiento y memoria
Payloads más pequeños → mayor throughput
Sin preprocesamiento ni conversión de formato
Esto es especialmente valioso para IA en el edge, modelos ligeros y cargas de trabajo sensibles al costo.
Struct y Array-of-Structs
Los datos del mundo real no son solo una lista de campos simples. Un producto puede tener múltiples tamaños e imágenes, un usuario puede tener varias preferencias y comportamientos, y un documento puede contener secciones, etiquetas y metadatos. En versiones anteriores de Zilliz Cloud, modelar este tipo de “datos dentro de datos” requería aplanar campos y duplicar información.
Con Struct y Array-of-Structs ahora soportados de forma nativa, Zilliz Cloud te permite almacenar y consultar información rica y anidada directamente. Esto facilita representar entidades complejas tal como son realmente, sin soluciones alternativas ni sistemas adicionales. Esto habilita un modelado más limpio para casos de uso como:
Catálogos de productos con atributos anidados
Perfiles de usuario con múltiples señales de comportamiento
Documentos con metadatos por capas o jerárquicos
Elementos multimodales que combinan texto, imágenes y metadatos estructurados
Al mantener estas relaciones intactas, los desarrolladores obtienen consultas más simples, menos joins y un modelo de datos más realista y expresivo, todo dentro de la base de datos vectorial.
JSON Shredding y JSON Path: Haz que el filtrado de metadatos sea 100× más rápido con mejor precisión de búsqueda
Las aplicaciones de IA como la búsqueda en ecommerce y los sistemas de recomendación no solo almacenan y recuperan vectores: dependen en gran medida de metadatos: detalles de productos, atributos de usuarios, etiquetas de documentos, logs de eventos, preferencias, configuraciones y más. JSON suele ser el formato natural porque es flexible y fácil de usar. Sin embargo, en la mayoría de las bases de datos (incluidas las bases de datos vectoriales), filtrar JSON requiere escanear el blob JSON completo. A medida que tus datos crecen, estos filtros se vuelven rápidamente dolorosamente lentos.
Milvus 2.6.x en Zilliz Cloud elimina ese cuello de botella con JSON Shredding y JSON Path nativos, ofreciendo un filtrado de metadatos hasta 100× más rápido directamente dentro de la base de datos vectorial.
JSON Shredding: Sigues almacenando tus metadatos como JSON normal. Nada cambia en cómo escribes los datos. Pero Zilliz Cloud reestructura automáticamente JSON internamente para que el filtrado sea hasta 100× más rápido, incluso para documentos grandes o desordenados. Te da la velocidad de una base de datos estructurada sin sacrificar la flexibilidad de JSON.
JSON Path: JSON Path te permite indexar claves específicas dentro de tu JSON (como
price,categoryoevent.type) para que los filtros sobre esos campos sean instantáneos. Simplemente le indicas a Zilliz Cloud qué claves importan, y se encarga de la optimización. Esto es perfecto para filtros predecibles como rangos, igualdad o búsquedas basadas en categorías.
Juntos, JSON Shredding y JSON Path llevan el filtrado estructurado y la búsqueda vectorial a un solo sistema, haciendo que el filtrado de metadatos sea drásticamente más rápido y mejorando la precisión de tus resultados finales de recuperación. Esta función es especialmente valiosa para:
Sistemas de recomendación con atributos ricos de usuarios o elementos
Pipelines RAG que filtran o enrutan documentos por metadatos
Arquitecturas multi-tenant que necesitan segmentación eficiente
Y muchas otras aplicaciones de IA con metadatos enriquecidos
Búsqueda de texto completo optimizada para BM25: hasta 7× más rápida que Elasticsearch
Los asistentes de conocimiento empresarial, los chatbots de atención al cliente y muchas otras aplicaciones de IA basadas en RAG dependen de más que la similitud vectorial. También necesitan una búsqueda de texto completo sólida para hacer coincidir términos exactos, gestionar entidades raras, filtrar por lenguaje específico del dominio y anclar las respuestas de los LLM a hechos precisos. Para lograr esto, muchos equipos aún ejecutan Elasticsearch u otro motor de texto junto con una base de datos vectorial, duplicando su infraestructura y ralentizando la recuperación.
Zilliz Cloud introdujo la búsqueda híbrida de palabras clave + vectores con Milvus 2.5.x GA a principios del año pasado. Con Milvus 2.6.x GA, vamos mucho más allá con un motor de texto completo optimizado para BM25 que está estrechamente integrado con la búsqueda vectorial:
4× más rápido que Elasticsearch, y hasta 7× más rápido en conjuntos de datos específicos
Índices de solo un tercio del tamaño del texto sin procesar
Recuperación unificada de palabras clave + vectores en un solo sistema
Menor latencia y fundamentación más precisa para respuestas generadas por LLM
Esta mejora es especialmente valiosa para aplicaciones RAG del mundo real, como:
Asistentes de conocimiento empresarial que necesitan recuperación semántica combinada con coincidencias exactas para nombres, acrónimos, regulaciones y códigos de error
Copilotos de atención al cliente y helpdesk que deben filtrar documentos por nombres de productos, números de versión, parámetros de configuración y mensajes de diagnóstico
Y más.
Con BM25 integrado directamente en Milvus en Zilliz Cloud, la búsqueda híbrida se vuelve drásticamente más rápida, más económica y más fácil de operar, sin mantener una pila de búsqueda de texto separada.
Soporte multilingüe mejorado para usuarios globales, además de una mejor búsqueda de texto para todos los idiomas
Si tu aplicación de IA atiende a usuarios de varios países e idiomas, la calidad de la búsqueda a menudo depende de qué tan bien el sistema tokeniza y comprende el texto. Milvus 2.6.x introduce varias mejoras que mejoran significativamente la precisión de recuperación, especialmente para idiomas con segmentación compleja como el japonés, el coreano y el chino. Con esta versión, Zilliz Cloud lleva estas capacidades directamente a producción con valores predeterminados optimizados e integración fluida.
El soporte multilingüe mejorado en Zilliz Cloud incluye:
Tokenizadores Lindera + ICU para una segmentación drásticamente mejor del japonés, el coreano y los textos en idiomas mixtos
Jieba con soporte para diccionario personalizado, que permite a los equipos ajustar la tokenización del chino para dominios específicos o vocabularios de productos
run_analyzer, ahora disponible en el entorno de la nube para ayudar a los equipos a inspeccionar y depurar el comportamiento de tokenización para una calidad de búsqueda coherente y predecible
Zilliz Cloud también mejora la recuperación general de texto para cargas de trabajo en todos los idiomas:
Coincidencia de frases, que permite consultas de frases precisas y ordenadas con slop configurable
NGRAM Index que acelera la búsqueda de subcadenas, comodines, difusa y de texto parcial en campos VARCHAR y rutas JSON
En conjunto, estas mejoras hacen que la búsqueda multilingüe y de texto complejo sea significativamente más precisa y flexible en Zilliz Cloud, ideal para aplicaciones globales, plataformas de comercio electrónico, copilotos de atención al cliente, asistentes de conocimiento empresarial y cualquier sistema donde los usuarios esperen una recuperación confiable independientemente del idioma o el estilo de escritura.
Para ver una lista completa de las funciones de Milvus 2.6.x en Zilliz Cloud, consulta las notas de la versión de Milvus.
¿Listo para probar Milvus 2.6.x en Zilliz Cloud?
Todas las nuevas capacidades de Milvus 2.6.x ya están completamente disponibles en Zilliz Cloud.
Si ya tienes una cuenta de Zilliz Cloud, simplemente inicia sesión y empieza a usar las nuevas funciones de inmediato, sin necesidad de actualizaciones ni migraciones.
¿Nuevo en Zilliz Cloud? Regístrate gratis y obtén $100 en créditos para experimentar la base de datos vectorial gestionada líder en el mundo.
¿Tienes preguntas sobre alguna de las actualizaciones? Consulta la documentación más reciente o contacta con Zilliz Support: estamos aquí para ayudarte a sacar el máximo partido de Milvus 2.6.x en Zilliz Cloud.
Construye sin límites: un vistazo más de cerca a las capacidades empresariales de Zilliz Cloud
Con la disponibilidad general de Milvus 2.6.x en Zilliz Cloud, la plataforma consolida aún más su posición como el servicio de base de datos vectorial totalmente gestionado más eficiente, rentable y seguro—a la vez que ofrece toda la potencia de las capacidades avanzadas de búsqueda de IA de Milvus en un entorno operativo sencillo y preparado para empresas.
Escalado elástico y eficiencia de costes – Implementación con un solo clic, autoescalado sin servidor y precios de pago por uso.
Búsqueda avanzada de IA – Búsqueda vectorial, de texto completo e híbrida (dispersa + densa) con filtrado de metadatos, esquema dinámico y multiinquilino.
Fiabilidad y seguridad de nivel empresarial – SLA del 99,95 %, certificaciones SOC 2 Type II e ISO 27001, cumplimiento del RGPD, preparación para HIPAA, RBAC, BYOC, registros de auditoría, plan crítico para el negocio y ahora clústeres globales. Consulta nuestro centro de confianza para obtener más información.
Disponibilidad global – Implementaciones en AWS, GCP y Azure con latencia inferior a 100 ms en todo el mundo.
Migración sin interrupciones – Herramientas integradas para migrar desde Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate o Milvus local.
Consultas en lenguaje natural – Compatibilidad con MCP server para consultas intuitivas sin APIs complejas.
En conjunto, estas capacidades hacen que Zilliz Cloud sea más que una base de datos vectorial: una plataforma totalmente gestionada y lista para producción para crear y escalar aplicaciones de IA sin limitaciones.
Sigue leyendo
What Is a Vector Lakebase?
A Vector Lakebase is a unified, lake-native data architecture for AI that combines vector-database-grade serving with open lake storage, reusable lake-level indexes, and a shared semantic layer.
We spent 8 years making vector databases faster. Then we stopped.
Rarely queried embeddings still need to stay searchable. See how Vector Lakebase enables on-demand vector search without always-on compute costs.
8 Latest RAG Advancements Every Developer Should Know
Explore eight advanced RAG variants that can solve real problems you might be facing: slow retrieval, poor context understanding, multimodal data handling, and resource optimization.