Milvus 2.6.x désormais disponible en version générale sur Zilliz Cloud, rendant la recherche vectorielle plus rapide, plus intelligente et plus rentable pour l’IA en production
Milvus 2.6.x est disponible dans la communauté open source depuis quelque temps et est rapidement devenu une voie de mise à niveau populaire. Les utilisateurs l’ont adopté pour une ingestion de données plus fluide, de meilleures performances, une efficacité des coûts améliorée et une recherche hybride plus performante. Dès que Milvus 2.6.x a été publié en amont, nous avons commencé à entendre la même question de la part de nombreux utilisateurs de Zilliz Cloud : « Quand pourrons-nous exécuter Milvus 2.6.x en production sur Zilliz Cloud ? »
Aujourd’hui, nous sommes ravis d’annoncer que Milvus 2.6.x est officiellement disponible en disponibilité générale (GA) sur Zilliz Cloud, et que tous les clients peuvent commencer à l’utiliser immédiatement. Cette version apporte non seulement l’ensemble des fonctionnalités de Milvus 2.6.x à notre environnement cloud entièrement géré, mais introduit également une série d’optimisations exclusives au cloud qui élèvent les performances, la stabilité et l’efficacité au-delà de ce qui est possible dans les déploiements autogérés.
Pour les équipes qui construisent rapidement, prototypent ou exploitent des systèmes RAG de niveau production, des agents conversationnels, des moteurs de recommandation, des plateformes de connaissances d’entreprise ou toute autre application pilotée par l’IA, exécuter Milvus 2.6.x sur Zilliz Cloud signifie accéder aux dernières capacités de Milvus avec la simplicité, la fiabilité et l’efficacité des coûts d’un service entièrement géré, afin que les équipes puissent rester concentrées sur la création plutôt que sur l’exploitation de l’infrastructure.
Pourquoi Milvus 2.6.x est important — et ce qui est spécial sur Zilliz Cloud
Milvus 2.6.x constitue une avancée majeure pour la recherche vectorielle en production, apportant une indexation plus rapide, des coûts de stockage et de mémoire plus faibles, une meilleure recherche textuelle et une prise en charge linguistique améliorée. Il améliore la manière dont les données sont stockées, recherchées et gérées dans l’ensemble du système, rendant les charges de travail IA à grande échelle plus efficaces et plus faciles à exploiter.
Avec Milvus 2.6.x désormais disponible en GA sur Zilliz Cloud, toutes ces améliorations sont immédiatement disponibles dans un environnement entièrement géré et prêt pour la production. Et parce que Zilliz Cloud est conçu et exploité par les créateurs de Milvus, il va plus loin que la version open source, en ajoutant de nombreuses optimisations exclusives au cloud pour l’automatisation, les performances, la fiabilité et la stabilité de niveau entreprise.
En bref : Milvus 2.6.x offre la plus grande avancée technique depuis des années, et Zilliz Cloud en fait un service clé en main, scalable, que vous pouvez exécuter en production dès aujourd’hui.
Examinons les principales fonctionnalités et avantages auxquels vous pouvez vous attendre en exécutant Milvus 2.6.x sur Zilliz Cloud.
Un stockage hiérarchisé à trois couches qui réduit les coûts de la recherche vectorielle à des niveaux proches de S3
Toutes les données ne se valent pas. Dans les systèmes IA réels, seule une petite partie des données — clics récents, produits tendance ou documents fréquemment référencés — est consultée en permanence. Le reste reste inactif la plupart du temps. Mais de nombreuses bases de données vectorielles vous obligent à tout stocker dans un stockage haute performance (et coûteux), ce qui gonfle considérablement votre coût total de possession.
Milvus 2.6.x change cela avec un stockage hiérarchisé intégré, et Zilliz Cloud va plus loin avec une conception à trois couches entièrement native du cloud. Au lieu de payer des prix SSD ou mémoire pour l’ensemble de votre corpus, vos données sont automatiquement placées dans le niveau de stockage qui correspond à leur modèle d’accès.
Plus précisément, dans les clusters de stockage hiérarchisé de Zilliz Cloud :
Le stockage objet (par exemple, S3) stocke l’ensemble de votre jeu de données
Le SSD local agit comme un cache tiède qui accélère les accès répétés
La mémoire sert de couche chaude pour les requêtes à réponse instantanée
Cette architecture s’adapte en temps réel : lorsque les schémas de trafic changent, le système promeut ou rétrograde automatiquement les données entre les niveaux. Lors de tests en production, cela permet d’obtenir des taux de succès du cache de plus de 90 %, ce qui signifie que la plupart des requêtes sont servies depuis la mémoire rapide ou le SSD, tandis que votre facture de stockage de base se comporte toujours comme S3.
En pratique, le stockage hiérarchisé peut réduire les coûts de stockage de jusqu’à 87 %, diminuer les dépenses de calcul de 25 % et rapprocher remarquablement votre TCO global du prix brut de S3. Un jeu de données de 10 To qui coûtait auparavant environ 3 000 $ par mois peut désormais fonctionner pour environ 400 $, tout en offrant une recherche à faible latence constante pour les charges de travail chaudes.
Par conséquent, les clusters de stockage hiérarchisé sont idéaux pour les applications ultra-volumineuses sensibles aux coûts avec des schémas de données chaudes/froides clairement définis, telles que :
Recherche de produits longue traîne où des millions de SKU existent, mais où seuls les 5 à 10 % les plus populaires sont interrogés quotidiennement
Référentiels documentaires à l’échelle de l’entreprise où seuls les contenus les plus récents font l’objet de recherches fréquentes
Archives d’actualités et de médias où les articles actuels sont chauds et les contenus historiques sont froids
Toute charge de travail où le volume de données augmente plus vite que le budget, et où seul un sous-ensemble des données nécessite des performances rapides en mémoire
Pour plus d’informations sur la tarification du stockage hiérarchisé, consultez la documentation Zilliz Cloud.
Niveau de construction d’index : arbitrer automatiquement entre précision de recherche et coûts de stockage
Le stockage hiérarchisé réduit déjà le coût de stockage des vecteurs bruts en plaçant différentes données dans différentes couches. Mais même lorsque les données brutes deviennent peu coûteuses à conserver, il reste encore un important facteur de coût dans les systèmes de recherche vectorielle : les index.
Tout comme un catalogue de fiches vous permet de trouver instantanément des livres dans une bibliothèque, les index rendent rapides les recherches vectorielles à très grande échelle — et ils doivent rester en mémoire ou sur SSD. En résumé, plus vous voulez des résultats précis, plus un index doit maintenir de voisins, de liens de graphe et de métadonnées, et plus sa taille est importante. Dans les charges de travail à l’échelle du milliard, l’index peut même dépasser la taille des vecteurs bruts eux-mêmes.
Cependant, toutes les applications d’IA n’ont pas besoin d’une précision de recherche maximale. Certaines charges de travail — comme la détection de fraude ou le classement — l’exigent absolument. Mais d’autres, comme la recherche de produits longue traîne, la récupération de journaux, les archives et les environnements d’expérimentation, peuvent échanger une infime quantité de précision contre des index nettement plus petits et un coût inférieur. C’est pourquoi le contrôle du compromis précision-capacité est important : un index légèrement moins précis peut être considérablement plus petit, moins cher, et rester parfaitement acceptable pour de nombreuses charges de travail.
Avec cette version, Zilliz Cloud introduit la fonctionnalité Index Build Level, qui vous aide à sélectionner automatiquement l’équilibre précision-capacité adapté à vos charges de travail d’IA.
Priorité à la précision : rappel (précision) maximal pour les charges de travail critiques comme la détection de fraude alimentée par l’IA.
Équilibré (par défaut) : une combinaison solide de précision, de performances et d’efficacité mémoire — idéale pour la plupart des applications d’IA à usage général.
Priorité à la capacité : fortement optimisé pour la densité de stockage. Parfait pour les données froides, les grandes archives ou les charges de travail où un rappel parfait n’est pas nécessaire.
En arrière-plan, Zilliz Cloud applique un moteur de quantification de nouvelle génération qui ajuste dynamiquement la compression et la structure des index, vous offrant l’équilibre idéal entre taille, précision et coût — sans nécessiter de configuration manuelle.
Prise en charge étendue des types de données pour davantage de cas d’utilisation d’IA réels
Auparavant, la prise en charge de la recherche sensible à la localisation, du filtrage temporel ou d’entités structurées complexes dans les applications d’IA nécessitait des bases de données supplémentaires, des outils SIG ou un prétraitement lourd en parallèle d’une base de données vectorielle. Milvus 2.6.x supprime cette complexité en ajoutant davantage de types de données fondamentaux qui permettent à ces charges de travail de s’exécuter entièrement dans Zilliz Cloud. Cela élargit ce que les développeurs peuvent créer nativement, rationalise l’architecture et réduit la surcharge opérationnelle.
Champs géométriques (POINT, LINESTRING, POLYGON)
Dans de nombreuses applications de livraison, de logistique et d’e-commerce, la recherche doit combiner pertinence sémantique et filtrage géospatial. Des requêtes telles que « Trouver des restaurants similaires à celui-ci dans un rayon de 1 km » ou « Récupérer les stations de recharge pour VE à proximité, classées selon les préférences des utilisateurs » nécessitaient auparavant un moteur SIG séparé en parallèle d’une base de données vectorielle. Avec les types géométriques natifs, Zilliz Cloud vous permet de combiner similarité sémantique + sensibilité à la localisation dans une seule requête — aucun système supplémentaire à déployer ou à maintenir.
TimestampTz (horodatages tenant compte du fuseau horaire)
Le temps est une dimension essentielle dans de nombreuses applications d’IA du monde réel — de la planification d’événements et des systèmes de surveillance à l’analyse de logs et aux alertes. Sans prise en charge native du temps, les équipes devaient combiner des bases de données vectorielles avec des magasins de séries temporelles externes ou des stratégies d’encodage peu pratiques. Avec TimestampTz, Zilliz Cloud prend désormais en charge la recherche vectorielle par fenêtre temporelle, le classement favorisant la récence et la récupération pilotée par événements, ce qui simplifie considérablement le raisonnement temporel et permet des pipelines plus propres pour les logs, les alertes, la surveillance et l’analytique en temps réel.
Type vectoriel INT8 (embeddings 8 bits)
Les modèles d’embedding modernes — en particulier ceux axés sur l’efficacité comme E5-base et MiniLM-L12 — produisent souvent des embeddings 8 bits. Auparavant, les développeurs devaient les convertir en flottants, gaspillant ainsi mémoire et stockage. La prise en charge native d’INT8 signifie :
Vecteurs plus petits → coût de stockage et de mémoire réduit
Charges utiles plus petites → débit plus élevé
Aucun prétraitement ni conversion de format
Cela est particulièrement précieux pour l’IA en périphérie, les modèles légers et les charges de travail sensibles aux coûts.
Struct et Array-of-Structs
Les données du monde réel ne sont pas seulement une liste de champs simples. Un produit peut avoir plusieurs tailles et images, un utilisateur peut avoir plusieurs préférences et comportements, et un document peut contenir des sections, des tags et des métadonnées. Dans les versions précédentes de Zilliz Cloud, la modélisation de ce type de « données à l’intérieur des données » nécessitait d’aplatir les champs et de dupliquer les informations.
Avec Struct et Array-of-Structs désormais pris en charge nativement, Zilliz Cloud vous permet de stocker et d’interroger directement des informations riches et imbriquées. Il devient ainsi plus facile de représenter des entités complexes telles qu’elles sont réellement — sans contournements ni systèmes supplémentaires. Cela ouvre la voie à une modélisation plus propre pour des cas d’utilisation tels que :
Catalogues de produits avec attributs imbriqués
Profils utilisateur avec plusieurs signaux comportementaux
Documents avec métadonnées en couches ou hiérarchiques
Éléments multimodaux combinant texte, images et métadonnées structurées
En conservant ces relations intactes, les développeurs obtiennent des requêtes plus simples, moins de jointures et un modèle de données plus réaliste et expressif — le tout dans la base de données vectorielle.
JSON Shredding et JSON Path : rendre le filtrage des métadonnées 100× plus rapide avec une meilleure précision de recherche
Les applications d’IA telles que la recherche e-commerce et les systèmes de recommandation ne se contentent pas de stocker et de récupérer des vecteurs — elles s’appuient fortement sur les métadonnées : détails des produits, attributs utilisateurs, tags de documents, journaux d’événements, préférences, configurations, et plus encore. JSON est généralement le format naturel, car il est flexible et facile à utiliser. Cependant, dans la plupart des bases de données (y compris les bases de données vectorielles), filtrer du JSON nécessite d’analyser l’intégralité du blob JSON. À mesure que vos données augmentent, ces filtres deviennent rapidement extrêmement lents.
Milvus 2.6.x sur Zilliz Cloud supprime ce goulot d’étranglement avec JSON Shredding et JSON Path natifs, offrant un filtrage des métadonnées jusqu’à 100× plus rapide directement dans la base de données vectorielle.
JSON Shredding : Vous stockez toujours vos métadonnées sous forme de JSON standard. Rien ne change dans la manière dont vous écrivez les données. Mais Zilliz Cloud restructure automatiquement le JSON en arrière-plan afin que le filtrage devienne jusqu’à 100× plus rapide, même pour des documents volumineux ou désordonnés. Il vous offre la vitesse d’une base de données structurée sans sacrifier la flexibilité de JSON.
JSON Path : JSON Path vous permet d’indexer des clés spécifiques dans votre JSON (comme
price,categoryouevent.type) afin que les filtres sur ces champs deviennent instantanés. Il vous suffit d’indiquer à Zilliz Cloud quelles clés comptent, et il se charge de l’optimisation. C’est idéal pour les filtres prévisibles comme les plages, l’égalité ou les recherches par catégorie.
Ensemble, JSON Shredding et JSON Path réunissent filtrage structuré et recherche vectorielle dans un seul système, rendant le filtrage des métadonnées considérablement plus rapide et améliorant la précision de vos résultats finaux de récupération. Cette fonctionnalité est particulièrement précieuse pour :
Systèmes de recommandation avec des attributs utilisateur ou article riches
Pipelines RAG qui filtrent ou acheminent les documents par métadonnées
Architectures multi-tenant nécessitant une segmentation efficace
Et de nombreuses autres applications d’IA avec des métadonnées riches
Recherche plein texte optimisée par BM25 : jusqu’à 7× plus rapide qu’Elasticsearch
Les assistants de connaissances d’entreprise, les chatbots de support client et de nombreuses autres applications d’IA basées sur le RAG reposent sur bien plus que la similarité vectorielle. Ils ont également besoin d’une recherche plein texte performante pour faire correspondre des termes exacts, gérer des entités rares, filtrer selon un langage propre à un domaine et ancrer les réponses des LLM dans des faits précis. Pour y parvenir, de nombreuses équipes exploitent encore Elasticsearch ou un autre moteur de texte en parallèle d’une base de données vectorielle, ce qui double leur infrastructure et ralentit la récupération.
Zilliz Cloud a introduit la recherche hybride mot-clé + vecteur avec Milvus 2.5.x GA plus tôt l’année dernière. Avec Milvus 2.6.x GA, nous allons beaucoup plus loin avec un moteur plein texte optimisé par BM25, étroitement intégré à la recherche vectorielle :
4× plus rapide qu’Elasticsearch — et jusqu’à 7× plus rapide sur des jeux de données spécifiques
Des index représentant seulement un tiers de la taille du texte brut
Récupération unifiée mot-clé + vecteur dans un seul système
Latence plus faible et ancrage plus précis pour les réponses générées par les LLM
Cette amélioration est particulièrement précieuse pour les applications RAG réelles telles que :
Les assistants de connaissances d’entreprise qui ont besoin d’une récupération sémantique combinée à des correspondances exactes pour les noms, acronymes, réglementations et codes d’erreur
Les copilotes de support client et de helpdesk qui doivent filtrer les documents par noms de produits, numéros de version, paramètres de configuration et messages de diagnostic
Et plus encore.
Avec BM25 intégré directement à Milvus sur Zilliz Cloud, la recherche hybride devient considérablement plus rapide, moins coûteuse et plus simple à exploiter — sans maintenir une pile de recherche textuelle distincte.
Prise en charge multilingue améliorée pour les utilisateurs du monde entier, ainsi qu’une meilleure recherche textuelle pour toutes les langues
Si votre application d’IA sert des utilisateurs dans plusieurs pays et langues, la qualité de la recherche dépend souvent de la capacité du système à segmenter et comprendre le texte. Milvus 2.6.x introduit plusieurs améliorations qui augmentent considérablement la précision de la récupération, en particulier pour les langues à segmentation complexe comme le japonais, le coréen et le chinois. Avec cette version, Zilliz Cloud apporte directement ces capacités en production avec des paramètres par défaut optimisés et une intégration transparente.
La prise en charge multilingue améliorée dans Zilliz Cloud comprend :
Des tokenizers Lindera + ICU pour une segmentation nettement meilleure du japonais, du coréen et des textes multilingues
Jieba avec prise en charge des dictionnaires personnalisés, permettant aux équipes d’affiner la tokenisation du chinois pour des domaines spécifiques ou des vocabulaires produit
run_analyzer, désormais disponible dans l’environnement cloud pour aider les équipes à inspecter et déboguer le comportement de tokenisation afin d’obtenir une qualité de recherche cohérente et prévisible
Zilliz Cloud améliore également la récupération textuelle générale pour toutes les charges de travail linguistiques :
Phrase Match, permettant des requêtes d’expressions précises et ordonnées avec un slop configurable
NGRAM Index accélérant la recherche par sous-chaînes, caractères génériques, correspondance approximative et texte partiel dans les champs VARCHAR et les chemins JSON
Ensemble, ces améliorations rendent la recherche multilingue et sur texte complexe beaucoup plus précise et flexible dans Zilliz Cloud — idéale pour les applications mondiales, les plateformes e-commerce, les copilotes de support client, les assistants de connaissances d’entreprise et tout système où les utilisateurs attendent une récupération fiable, quelle que soit la langue ou le style d’écriture.
Pour obtenir la liste complète des fonctionnalités de Milvus 2.6.x sur Zilliz Cloud, consultez les notes de version de Milvus.
Prêt à essayer Milvus 2.6.x sur Zilliz Cloud ?
Toutes les nouvelles capacités de Milvus 2.6.x sont désormais entièrement disponibles sur Zilliz Cloud.
Si vous avez déjà un compte Zilliz Cloud, il vous suffit de vous connecter et de commencer à utiliser les nouvelles fonctionnalités immédiatement — aucune mise à niveau ni migration requise.
Vous découvrez Zilliz Cloud ? Inscrivez-vous gratuitement et obtenez 100 $ de crédits pour découvrir la base de données vectorielle managée leader mondiale.
Vous avez des questions sur l’une des mises à jour ? Consultez la dernière documentation ou contactez le support Zilliz—nous sommes là pour vous aider à tirer le meilleur parti de Milvus 2.6.x sur Zilliz Cloud.
Construire sans limites : un aperçu détaillé des capacités prêtes pour l’entreprise de Zilliz Cloud
Avec la disponibilité générale de Milvus 2.6.x sur Zilliz Cloud, la plateforme consolide encore sa position de service de base de données vectorielle entièrement managé le plus performant, rentable et sécurisé—tout en offrant toute la puissance des capacités avancées de recherche IA de Milvus dans un environnement prêt pour l’entreprise, sans effort opérationnel.
Mise à l’échelle élastique et efficacité des coûts – Déploiement en un clic, autoscaling serverless et tarification à l’usage.
Recherche IA avancée – Recherche vectorielle, plein texte et hybride (sparse + dense) avec filtrage des métadonnées, schéma dynamique et multitenance.
Fiabilité et sécurité de niveau entreprise – SLA de 99,95 %, certifications SOC 2 Type II et ISO 27001, conformité au RGPD, préparation HIPAA, RBAC, BYOC, journaux d’audit, plan business critical, et désormais clusters globaux. Consultez notre centre de confiance pour plus d’informations.
Disponibilité mondiale – Déploiements sur AWS, GCP et Azure avec une latence inférieure à 100 ms dans le monde entier.
Migration transparente – Outils intégrés pour migrer depuis Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate ou Milvus on-premise.
Requêtes en langage naturel – Prise en charge du serveur MCP pour des requêtes intuitives sans API complexes.
Ensemble, ces capacités font de Zilliz Cloud bien plus qu’une base de données vectorielle — une plateforme entièrement managée, prête pour la production, permettant de créer et de faire évoluer des applications IA sans limites.
Continuer à lire
From Vector Database to Vector Lakebase
Zilliz offers a fully managed Vector Lakebase powered by Milvus, unifying real-time vector search, lake-scale discovery, and Al data operations.
Introducing Zilliz Cloud Global Cluster: Region-Level Resilience for Mission-Critical AI
Zilliz Cloud Global Cluster delivers multi-region resilience, automatic failover, and fast global AI search with built-in security and compliance.
Zilliz Cloud BYOC Upgrades: Bring Enterprise-Grade Security, Networking Isolation, and More
Discover how Zilliz Cloud BYOC brings enterprise-grade security, networking isolation, and infrastructure automation to vector database deployments in AWS