Milvus 2.6.x è ora generalmente disponibile su Zilliz Cloud, rendendo la ricerca vettoriale più veloce, più intelligente e più conveniente per l’IA in produzione
Milvus 2.6.x è disponibile nella community open source da qualche tempo ed è rapidamente diventato un percorso di aggiornamento popolare. Gli utenti lo hanno adottato per un’acquisizione dei dati più fluida, prestazioni migliori, una maggiore efficienza dei costi e una ricerca ibrida più potente. Non appena Milvus 2.6.x è stato rilasciato upstream, abbiamo iniziato a sentire la stessa domanda da molti utenti di Zilliz Cloud: “Quando potremo eseguire Milvus 2.6.x in produzione su Zilliz Cloud?”
Oggi siamo entusiasti di annunciare che Milvus 2.6.x è ufficialmente Generally Available (GA) su Zilliz Cloud e che tutti i clienti possono iniziare a utilizzarlo immediatamente. Questa release non solo porta l’intero set di funzionalità di Milvus 2.6.x nel nostro ambiente cloud completamente gestito, ma introduce anche una serie di ottimizzazioni esclusive per il cloud che elevano prestazioni, stabilità ed efficienza oltre ciò che è possibile nei deployment autogestiti.
Per i team che stanno rapidamente costruendo, prototipando o gestendo sistemi RAG di livello production-grade, agenti conversazionali, motori di raccomandazione, piattaforme di conoscenza enterprise o qualsiasi altra applicazione basata sull’AI, eseguire Milvus 2.6.x su Zilliz Cloud significa accedere alle funzionalità più recenti di Milvus con la semplicità, l’affidabilità e l’efficienza dei costi di un servizio completamente gestito, così i team possono restare concentrati sulla costruzione, non sulla gestione dell’infrastruttura.
Perché Milvus 2.6.x è importante — e cosa c’è di speciale su Zilliz Cloud
Milvus 2.6.x rappresenta un grande passo avanti per la ricerca vettoriale in produzione, offrendo indicizzazione più rapida, costi di storage e memoria inferiori, migliore recupero testuale e supporto linguistico migliorato. Aggiorna il modo in cui i dati vengono archiviati, cercati e gestiti in tutto il sistema, rendendo i carichi di lavoro AI su larga scala più efficienti e più facili da gestire.
Con Milvus 2.6.x ora GA su Zilliz Cloud, tutti questi miglioramenti sono disponibili immediatamente in un ambiente completamente gestito e pronto per la produzione. E poiché Zilliz Cloud è creato e gestito dagli autori di Milvus, va oltre la release open source, aggiungendo molte ottimizzazioni esclusive per il cloud per automazione, prestazioni, affidabilità e stabilità di livello enterprise.
In breve: Milvus 2.6.x offre il più grande salto tecnico in avanti degli ultimi anni, e Zilliz Cloud lo trasforma in un servizio scalabile chiavi in mano che puoi eseguire in produzione già oggi.
Diamo un’occhiata alle funzionalità e ai vantaggi principali che puoi aspettarti eseguendo Milvus 2.6.x su Zilliz Cloud.
Storage a livelli su tre layer che riduce i costi della ricerca vettoriale quasi ai livelli di S3
Non tutti i dati sono uguali. Nei sistemi AI reali, solo una piccola parte dei dati—click recenti, prodotti di tendenza o documenti consultati frequentemente—viene acceduta costantemente. Il resto rimane inattivo per la maggior parte del tempo. Ma molti database vettoriali ti costringono ad archiviare tutto in storage ad alte prestazioni (e ad alto costo), aumentando drasticamente il costo totale di proprietà.
Milvus 2.6.x cambia tutto questo con lo storage a livelli integrato, e Zilliz Cloud lo porta oltre con un design a tre layer completamente cloud-native. Invece di pagare prezzi da SSD o memoria per l’intero corpus, i tuoi dati vengono posizionati automaticamente nel livello di storage che corrisponde al loro modello di accesso.
Nello specifico, nei cluster con storage a livelli di Zilliz Cloud:
L’object storage (ad es., S3) archivia il tuo dataset completo
L’SSD locale agisce come cache warm che accelera gli accessi ripetuti
La memoria funge da livello hot per query con risposta istantanea
Questa architettura si adatta in tempo reale: quando i pattern di traffico cambiano, il sistema promuove o declassa automaticamente i dati tra i livelli. Nei test in produzione, questo offre tassi di cache hit superiori al 90%, il che significa che la maggior parte delle query viene servita da memoria o SSD veloci, ma il costo di storage di base continua a comportarsi come S3.
In pratica, lo storage a livelli può ridurre i costi di storage fino all’87%, ridurre le spese di calcolo del 25% e portare il TCO complessivo sorprendentemente vicino ai prezzi grezzi di S3. Un dataset da 10 TB che un tempo costava circa $3.000/mese ora può funzionare per circa $400, continuando comunque a offrire una ricerca a bassa latenza costante per i carichi di lavoro hot.
Pertanto, i cluster con storage a livelli sono ideali per applicazioni ultra-grandi e sensibili ai costi con chiari pattern di dati hot/cold, come:
Ricerca di prodotti long-tail in cui esistono milioni di SKU ma solo il 5–10% principale viene interrogato quotidianamente
Repository documentali aziendali in cui solo i contenuti più recenti vengono cercati frequentemente
Archivi di notizie e media in cui gli articoli attuali sono hot e i contenuti storici sono cold
Qualsiasi workload in cui il volume dei dati cresce più rapidamente del budget, e solo un sottoinsieme dei dati necessita di prestazioni rapide in memoria
Per ulteriori informazioni sui prezzi dello storage a livelli, consulta la documentazione di Zilliz Cloud.
Livello di creazione dell’indice: bilancia automaticamente accuratezza della ricerca e costi di storage
Lo storage a livelli riduce già il costo di archiviazione dei vettori grezzi collocando dati diversi in livelli diversi. Ma anche quando i dati grezzi diventano economici da conservare, nei sistemi di ricerca vettoriale rimane ancora un importante fattore di costo: gli indici.
Proprio come uno schedario ti consente di trovare istantaneamente i libri in una biblioteca, gli indici rendono rapide le ricerche vettoriali su scala massiva, e devono rimanere in memoria o su SSD. In sostanza, più vuoi che i tuoi risultati siano accurati, più vicini, collegamenti del grafo e metadati un indice deve mantenere, e maggiore sarà la sua dimensione. Nei workload su scala di miliardi, l’indice può persino superare la dimensione dei vettori grezzi stessi.
Tuttavia, non tutte le applicazioni di AI necessitano della massima accuratezza di ricerca. Alcuni workload, come il rilevamento delle frodi o il ranking, la richiedono assolutamente. Ma altri, come la ricerca di prodotti long-tail, il recupero dei log, gli archivi e gli ambienti di sperimentazione, possono scambiare una piccola quantità di accuratezza con indici significativamente più piccoli e costi inferiori. Ecco perché è importante controllare il compromesso tra accuratezza e capacità: un indice leggermente meno preciso può essere drasticamente più piccolo, più economico e comunque perfettamente accettabile per molti workload.
Con questa release, Zilliz Cloud introduce la funzionalità Index Build Level, che ti aiuta a selezionare automaticamente il bilanciamento accuratezza-capacità adatto ai tuoi workload di AI.
Precision-first: Massimo recall (accuratezza) per workload mission-critical come il rilevamento delle frodi basato su AI.
Balanced (Default): Un solido mix di accuratezza, prestazioni ed efficienza della memoria, ideale per la maggior parte delle applicazioni di AI general-purpose.
Capacity-first: Fortemente ottimizzato per la densità di storage. Perfetto per dati cold, grandi archivi o workload in cui un recall perfetto non è necessario.
Dietro le quinte, Zilliz Cloud applica un motore di quantizzazione di nuova generazione che regola dinamicamente la compressione e la struttura dell’indice, offrendoti il bilanciamento ideale tra dimensione, accuratezza e costo, senza richiedere alcuna configurazione manuale.
Supporto esteso dei tipi di dati per più casi d’uso di AI nel mondo reale
In precedenza, supportare la ricerca sensibile alla posizione, il filtraggio basato sul tempo o entità strutturate complesse nelle applicazioni di AI richiedeva database aggiuntivi, strumenti GIS o una pesante pre-elaborazione insieme a un database vettoriale. Milvus 2.6.x elimina questa complessità aggiungendo tipi di dati fondamentali che consentono a questi workload di essere eseguiti interamente all’interno di Zilliz Cloud. Questo amplia ciò che gli sviluppatori possono creare nativamente, semplifica l’architettura e riduce l’overhead operativo.
Campi geometrici (POINT, LINESTRING, POLYGON)
In molte applicazioni di delivery, logistica ed e-commerce, la ricerca deve combinare la rilevanza semantica con il filtraggio geospaziale. Query come “Trova ristoranti simili a questo entro 1 km” o “Recupera le stazioni di ricarica per veicoli elettrici nelle vicinanze, ordinate in base alle preferenze dell’utente” in precedenza richiedevano un motore GIS separato insieme a un database vettoriale. Con i tipi geometrici nativi, Zilliz Cloud ti consente di combinare similarità semantica + consapevolezza della posizione in una singola query, senza sistemi aggiuntivi da distribuire o mantenere.
TimestampTz (Timestamp con fuso orario)
Il tempo è una dimensione critica in molte applicazioni AI del mondo reale: dalla pianificazione di eventi e dai sistemi di monitoraggio all’analisi dei log e agli avvisi. Senza supporto temporale nativo, i team dovevano combinare database vettoriali con archivi time-series esterni o strategie di codifica poco pratiche. Con TimestampTz, Zilliz Cloud ora supporta ricerca vettoriale con finestre temporali, ranking potenziato dalla recency e retrieval basato su eventi, rendendo il ragionamento temporale molto più semplice e abilitando pipeline più pulite per log, avvisi, monitoraggio e analytics in tempo reale.
Tipo vettoriale INT8 (embedding a 8 bit)
I moderni modelli di embedding, in particolare quelli orientati all’efficienza come E5-base e MiniLM-L12, producono spesso embedding a 8 bit. In precedenza, gli sviluppatori dovevano convertirli in float, sprecando memoria e storage. Il supporto nativo INT8 significa:
Vettori più piccoli → costi di storage e memoria inferiori
Payload più piccoli → throughput più elevato
Nessuna preelaborazione o conversione di formato
Questo è particolarmente prezioso per edge AI, modelli leggeri e workload sensibili ai costi.
Struct e Array-of-Structs
I dati del mondo reale non sono solo un elenco di campi semplici. Un prodotto potrebbe avere più taglie e immagini, un utente potrebbe avere diverse preferenze e comportamenti, e un documento potrebbe contenere sezioni, tag e metadati. Nelle versioni precedenti di Zilliz Cloud, modellare questo tipo di “dati dentro i dati” richiedeva di appiattire i campi e duplicare le informazioni.
Con Struct e Array-of-Structs ora supportati nativamente, Zilliz Cloud ti consente di archiviare e interrogare direttamente informazioni ricche e nidificate. Questo rende più facile rappresentare entità complesse così come sono realmente, senza workaround o sistemi aggiuntivi. Ciò sblocca una modellazione più pulita per casi d’uso come:
Cataloghi prodotti con attributi nidificati
Profili utente con più segnali comportamentali
Documenti con metadati stratificati o gerarchici
Elementi multimodali che combinano testo, immagini e metadati strutturati
Mantenendo intatte queste relazioni, gli sviluppatori ottengono query più semplici, meno join e un modello dati più realistico ed espressivo, tutto all’interno del database vettoriale.
JSON Shredding e JSON Path: rendi il filtraggio dei metadati 100× più veloce con una migliore accuratezza di ricerca
Le applicazioni AI come la ricerca ecommerce e i sistemi di raccomandazione non si limitano ad archiviare e recuperare vettori: fanno grande affidamento sui metadati: dettagli dei prodotti, attributi utente, tag dei documenti, log degli eventi, preferenze, configurazioni e altro ancora. JSON è di solito il formato naturale perché è flessibile e facile da usare. Tuttavia, nella maggior parte dei database (inclusi i database vettoriali), filtrare JSON richiede la scansione dell’intero blob JSON. Man mano che i dati crescono, questi filtri diventano rapidamente dolorosamente lenti.
Milvus 2.6.x su Zilliz Cloud elimina quel collo di bottiglia con JSON Shredding e JSON Path nativi, offrendo un filtraggio dei metadati fino a 100× più veloce direttamente all’interno del database vettoriale.
JSON Shredding: Continui ad archiviare i tuoi metadati come normale JSON. Non cambia nulla nel modo in cui scrivi i dati. Ma Zilliz Cloud ristruttura automaticamente JSON sotto il cofano, così che il filtraggio diventi fino a 100× più veloce, anche per documenti grandi o disordinati. Ti offre la velocità di un database strutturato senza sacrificare la flessibilità di JSON.
JSON Path: JSON Path ti consente di indicizzare chiavi specifiche all’interno del tuo JSON (come
price,categoryoevent.type) così i filtri su quei campi diventano immediati. Devi semplicemente dire a Zilliz Cloud quali chiavi sono importanti, e lui gestisce l’ottimizzazione. Questo è perfetto per filtri prevedibili come intervalli, uguaglianza o ricerche basate su categoria.
Insieme, JSON Shredding e JSON Path portano filtraggio strutturato e ricerca vettoriale in un unico sistema, rendendo il filtraggio dei metadati drasticamente più veloce e migliorando l’accuratezza dei risultati finali di retrieval. Questa funzionalità è particolarmente preziosa per:
Sistemi di raccomandazione con attributi utente o elemento ricchi
Pipeline RAG che filtrano o instradano documenti in base ai metadati
Architetture multi-tenant che necessitano di segmentazione efficiente
E molte altre applicazioni di IA con metadati ricchi
Ricerca full-text ottimizzata per BM25: fino a 7 volte più veloce di Elasticsearch
Gli assistenti di conoscenza aziendale, i chatbot per il supporto clienti e molte altre applicazioni di IA basate su RAG si basano su più della similarità vettoriale. Hanno anche bisogno di una solida ricerca full-text per abbinare termini esatti, gestire entità rare, filtrare in base al linguaggio specifico del dominio e ancorare le risposte degli LLM a fatti precisi. Per ottenere questo risultato, molti team eseguono ancora Elasticsearch o un altro motore di testo insieme a un database vettoriale, raddoppiando la loro infrastruttura e rallentando il recupero.
Zilliz Cloud ha introdotto la ricerca ibrida keyword + vettoriale con Milvus 2.5.x GA all’inizio dello scorso anno. Con Milvus 2.6.x GA, facciamo un passo molto più avanti con un motore full-text ottimizzato per BM25 strettamente integrato con la ricerca vettoriale:
4 volte più veloce di Elasticsearch—e fino a 7 volte più veloce su dataset specifici
Indicizza solo un terzo delle dimensioni del testo grezzo
Recupero keyword + vettoriale unificato in un unico sistema
Latenza inferiore e grounding più accurato per le risposte generate dagli LLM
Questo aggiornamento è particolarmente prezioso per applicazioni RAG reali come:
Assistenti di conoscenza aziendale che necessitano di recupero semantico combinato con corrispondenze esatte per nomi, acronimi, normative e codici di errore
Copilot per il supporto clienti e l’helpdesk che devono filtrare documenti per nomi di prodotti, numeri di versione, parametri di configurazione e messaggi diagnostici
E altro ancora.
Con BM25 integrato direttamente in Milvus su Zilliz Cloud, la ricerca ibrida diventa drasticamente più veloce, economica e facile da gestire, senza mantenere uno stack di ricerca testuale separato.
Supporto multilingue migliorato per utenti globali, oltre a una migliore ricerca testuale per tutte le lingue
Se la tua applicazione di IA serve utenti in più paesi e lingue, la qualità della ricerca spesso dipende da quanto bene il sistema tokenizza e comprende il testo. Milvus 2.6.x introduce diversi aggiornamenti che migliorano significativamente l’accuratezza del recupero, soprattutto per lingue con segmentazione complessa come giapponese, coreano e cinese. Con questa release, Zilliz Cloud porta queste capacità direttamente in produzione con impostazioni predefinite ottimizzate e un’integrazione fluida.
Il supporto multilingue avanzato in Zilliz Cloud include:
Tokenizer Lindera + ICU per una segmentazione drasticamente migliore di giapponese, coreano e lingue miste
Jieba con supporto per dizionario personalizzato, che consente ai team di perfezionare la tokenizzazione del cinese per domini specifici o vocabolari di prodotto
run_analyzer, ora disponibile nell’ambiente cloud per aiutare i team a ispezionare ed eseguire il debug del comportamento di tokenizzazione per una qualità di ricerca coerente e prevedibile
Zilliz Cloud aggiorna anche il recupero testuale generale per tutti i carichi di lavoro linguistici:
Phrase Match, che abilita query di frasi precise e ordinate con slop configurabile
NGRAM Index che accelera la ricerca di sottostringhe, wildcard, fuzzy e testo parziale nei campi VARCHAR e nei percorsi JSON
Insieme, questi miglioramenti rendono la ricerca multilingue e su testi complessi significativamente più accurata e flessibile in Zilliz Cloud: ideale per app globali, piattaforme di e-commerce, copilot per il supporto clienti, assistenti di conoscenza aziendale e qualsiasi sistema in cui gli utenti si aspettano un recupero affidabile indipendentemente dalla lingua o dallo stile di scrittura.
Per un elenco completo delle funzionalità di Milvus 2.6.x su Zilliz Cloud, consulta le note di rilascio di Milvus.
Pronto a provare Milvus 2.6.x su Zilliz Cloud?
Tutte le nuove funzionalità di Milvus 2.6.x sono ora pienamente disponibili su Zilliz Cloud.
Se hai già un account Zilliz Cloud, ti basta accedere e iniziare subito a usare le nuove funzionalità, senza bisogno di upgrade o migrazioni.
Nuovo su Zilliz Cloud? Registrati gratuitamente e ricevi $100 in crediti per sperimentare il database vettoriale gestito leader a livello mondiale.
Hai domande su uno qualsiasi degli aggiornamenti? Consulta la documentazione più recente o contatta il Supporto Zilliz: siamo qui per aiutarti a ottenere il massimo da Milvus 2.6.x su Zilliz Cloud.
Crea senza limiti: uno sguardo più da vicino alle funzionalità enterprise-ready di Zilliz Cloud
Con la disponibilità generale di Milvus 2.6.x su Zilliz Cloud, la piattaforma consolida ulteriormente la sua posizione come il servizio di database vettoriale completamente gestito più performante, conveniente e sicuro—offrendo al contempo tutta la potenza delle funzionalità avanzate di ricerca AI di Milvus in un ambiente enterprise-ready, operativamente semplice.
Scalabilità elastica ed efficienza dei costi – Distribuzione con un clic, autoscaling serverless e prezzi pay-as-you-go.
Ricerca AI avanzata – Ricerca vettoriale, full-text e ibrida (sparsa + densa) con filtraggio dei metadati, schema dinamico e multi-tenancy.
Affidabilità e sicurezza di livello enterprise – SLA del 99,95%, certificazioni SOC 2 Type II e ISO 27001, conformità GDPR, predisposizione HIPAA, RBAC, BYOC, log di audit, piano business critical e ora cluster globali. Consulta il nostro trust center per maggiori informazioni.
Disponibilità globale – Distribuzioni su AWS, GCP e Azure con latenza inferiore a 100 ms in tutto il mondo.
Migrazione senza interruzioni – Strumenti integrati per passare da Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate o Milvus on-prem.
Query in linguaggio naturale – Supporto MCP server per query intuitive senza API complesse.
Nel loro insieme, queste funzionalità rendono Zilliz Cloud più di un database vettoriale: una piattaforma completamente gestita e pronta per la produzione per creare e scalare applicazioni AI senza limitazioni.
Continua a leggere
Announcing the General Availability of Zilliz Cloud BYOC on Google Cloud Platform
Zilliz Cloud BYOC on GCP offers enterprise vector search with full data sovereignty and seamless integration.
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.
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