Milvus 2.6.x agora disponível de forma geral no Zilliz Cloud, tornando a busca vetorial mais rápida, mais inteligente e mais econômica para IA em produção
Milvus 2.6.x está disponível na comunidade de código aberto há algum tempo e rapidamente se tornou um caminho de atualização popular. Os usuários o adotaram por uma ingestão de dados mais fluida, melhor desempenho, maior eficiência de custos e uma busca híbrida mais capaz. Assim que o Milvus 2.6.x foi lançado upstream, começamos a ouvir a mesma pergunta de muitos usuários do Zilliz Cloud: “Quando poderemos executar o Milvus 2.6.x em produção no Zilliz Cloud?”
Hoje, temos o prazer de anunciar que o Milvus 2.6.x está oficialmente em Disponibilidade Geral (GA) no Zilliz Cloud, e todos os clientes podem começar a usá-lo imediatamente. Esta versão não apenas traz todo o conjunto de recursos do Milvus 2.6.x para nosso ambiente de nuvem totalmente gerenciado, mas também introduz uma série de otimizações exclusivas da nuvem que elevam desempenho, estabilidade e eficiência além do que é possível em implantações autogerenciadas.
Para equipes que estão rapidamente criando, prototipando ou operando sistemas RAG de nível de produção, agentes conversacionais, mecanismos de recomendação, plataformas de conhecimento empresarial ou qualquer outra aplicação orientada por IA, executar o Milvus 2.6.x no Zilliz Cloud significa acessar os recursos mais recentes do Milvus com a facilidade, confiabilidade e eficiência de custos de um serviço totalmente gerenciado—para que as equipes possam manter o foco em construir, não em operar infraestrutura.
Por que o Milvus 2.6.x é importante — e o que há de especial no Zilliz Cloud
O Milvus 2.6.x é um grande avanço para a busca vetorial em produção, trazendo indexação mais rápida, menores custos de armazenamento e memória, melhor recuperação de texto e suporte aprimorado a idiomas. Ele atualiza a forma como os dados são armazenados, pesquisados e gerenciados em todo o sistema, tornando cargas de trabalho de IA em larga escala mais eficientes e mais fáceis de operar.
Com o Milvus 2.6.x agora em GA no Zilliz Cloud, todas essas melhorias estão disponíveis imediatamente em um ambiente totalmente gerenciado e pronto para produção. E como o Zilliz Cloud é criado e operado pelos criadores do Milvus, ele vai além da versão de código aberto—adicionando muitas otimizações exclusivas da nuvem para automação, desempenho, confiabilidade e estabilidade de nível empresarial.
Em resumo: O Milvus 2.6.x entrega o maior salto técnico dos últimos anos, e o Zilliz Cloud o transforma em um serviço pronto para uso e escalável que você pode executar em produção hoje.
Vamos dar uma olhada nos principais recursos e benefícios que você pode esperar ao executar o Milvus 2.6.x no Zilliz Cloud.
Armazenamento em camadas de três níveis que reduz os custos da busca vetorial para níveis próximos aos do S3
Nem todos os dados são iguais. Em sistemas reais de IA, apenas uma pequena parte dos dados—cliques recentes, produtos em alta ou documentos referenciados com frequência—é acessada constantemente. O restante fica ocioso na maior parte do tempo. Mas muitos bancos de dados vetoriais obrigam você a armazenar tudo em armazenamento de alto desempenho (e alto custo), inflando drasticamente seu custo total de propriedade.
O Milvus 2.6.x muda isso com armazenamento em camadas integrado, e o Zilliz Cloud leva isso ainda mais longe com um design de três camadas totalmente nativo da nuvem. Em vez de pagar preços de SSD ou memória por todo o seu corpus, seus dados são automaticamente colocados na camada de armazenamento que corresponde ao seu padrão de acesso.
Especificamente, nos clusters de armazenamento em camadas do Zilliz Cloud:
O armazenamento de objetos (por exemplo, S3) armazena seu conjunto de dados completo
O SSD local atua como um cache morno que acelera acessos repetidos
A memória serve como a camada quente para consultas com resposta instantânea
Essa arquitetura se adapta em tempo real: quando os padrões de tráfego mudam, o sistema promove ou rebaixa dados automaticamente entre as camadas. Em testes de produção, isso entrega taxas de acerto de cache acima de 90%, o que significa que a maioria das consultas é atendida a partir de memória rápida ou SSD—mas sua conta básica de armazenamento ainda se comporta como S3.
Na prática, o armazenamento em camadas pode reduzir os custos de armazenamento em até 87%, reduzir despesas de computação em 25% e aproximar notavelmente seu TCO geral dos preços brutos do S3. Um conjunto de dados de 10 TB que antes custava cerca de $3.000/mês agora pode ser executado por aproximadamente $400—enquanto ainda entrega busca consistentemente de baixa latência para cargas de trabalho quentes.
Portanto, clusters com armazenamento em camadas são ideais para aplicações ultragrandes e sensíveis a custo com padrões claros de dados quentes/frios, tais como:
Busca de produtos de cauda longa, onde existem milhões de SKUs, mas apenas os 5–10% principais são consultados diariamente
Repositórios de documentos de toda a empresa, onde apenas o conteúdo mais recente é pesquisado com frequência
Arquivos de notícias e mídia, onde artigos atuais são quentes e conteúdo histórico é frio
Qualquer carga de trabalho em que o volume de dados cresce mais rápido que o orçamento, e apenas um subconjunto dos dados precisa de desempenho rápido em memória
Para obter mais informações sobre preços de armazenamento em camadas, consulte a documentação do Zilliz Cloud.
Nível de construção de índice: equilibre automaticamente a precisão da busca e os custos de armazenamento
O armazenamento em camadas já reduz o custo de armazenar vetores brutos ao colocar diferentes dados em diferentes camadas. Mas, mesmo quando os dados brutos se tornam baratos de manter, ainda há um grande fator de custo restante nos sistemas de busca vetorial: índices.
Assim como um catálogo de fichas permite encontrar livros instantaneamente em uma biblioteca, os índices tornam rápidas as buscas vetoriais em escala massiva — e precisam permanecer em memória ou SSD. Basicamente, quanto mais precisos você quiser que seus resultados sejam, mais vizinhos, links de grafo e metadados um índice precisa manter, e maior será seu tamanho. Em cargas de trabalho em escala de bilhões, o índice pode até exceder o tamanho dos próprios vetores brutos.
No entanto, nem toda aplicação de IA precisa de precisão máxima de busca. Algumas cargas de trabalho — como detecção de fraudes ou ranqueamento — exigem isso absolutamente. Mas outras, como busca de produtos de cauda longa, recuperação de logs, arquivos e ambientes de experimentação, podem trocar uma pequena quantidade de precisão por índices significativamente menores e menor custo. É por isso que controlar o trade-off entre precisão e capacidade importa: um índice ligeiramente menos preciso pode ser drasticamente menor, mais barato e ainda perfeitamente aceitável para muitas cargas de trabalho.
Nesta versão, o Zilliz Cloud apresenta o recurso de Nível de construção de índice, que ajuda você a selecionar automaticamente o equilíbrio entre precisão e capacidade adequado às suas cargas de trabalho de IA.
Precision-first: Recall (precisão) máximo para cargas de trabalho críticas, como detecção de fraudes com IA.
Balanced (Default): Uma forte combinação de precisão, desempenho e eficiência de memória — ideal para a maioria das aplicações de IA de uso geral.
Capacity-first: Fortemente otimizado para densidade de armazenamento. Perfeito para dados frios, grandes arquivos ou cargas de trabalho em que recall perfeito não é necessário.
Nos bastidores, o Zilliz Cloud aplica um mecanismo de quantização de última geração que ajusta dinamicamente a compressão e a estrutura do índice, oferecendo o equilíbrio ideal entre tamanho, precisão e custo — sem exigir qualquer configuração manual.
Suporte expandido a tipos de dados para mais casos de uso de IA do mundo real
Anteriormente, dar suporte a busca com reconhecimento de localização, filtragem baseada em tempo ou entidades estruturadas complexas em aplicações de IA exigia bancos de dados extras, ferramentas GIS ou pré-processamento pesado junto a um banco de dados vetorial. O Milvus 2.6.x remove essa complexidade ao adicionar tipos de dados mais fundamentais que permitem que essas cargas de trabalho sejam executadas inteiramente dentro do Zilliz Cloud. Isso amplia o que os desenvolvedores podem criar nativamente, simplifica a arquitetura e reduz a sobrecarga operacional.
Campos de geometria (POINT, LINESTRING, POLYGON)
Em muitas aplicações de entrega, logística e e-commerce, a busca precisa combinar relevância semântica com filtragem geoespacial. Consultas como “Encontre restaurantes semelhantes a este em um raio de 1 km” ou “Recupere estações de carregamento de veículos elétricos próximas, ranqueadas por preferências do usuário” anteriormente exigiam um mecanismo GIS separado junto a um banco de dados vetorial. Com tipos de geometria nativos, o Zilliz Cloud permite combinar similaridade semântica + reconhecimento de localização em uma única consulta — sem sistemas extras para implantar ou manter.
TimestampTz (Timestamps com reconhecimento de fuso horário)
O tempo é uma dimensão crítica em muitas aplicações de IA do mundo real — desde planejamento de eventos e sistemas de monitoramento até análise de logs e alertas. Sem suporte nativo a tempo, as equipes precisavam combinar bancos de dados vetoriais com armazenamentos externos de séries temporais ou estratégias de codificação pouco práticas. Com TimestampTz, o Zilliz Cloud agora oferece suporte a busca vetorial em janelas de tempo, ranqueamento impulsionado por recência e recuperação orientada a eventos, tornando o raciocínio temporal muito mais simples e permitindo pipelines mais limpos para logs, alertas, monitoramento e análises em tempo real.
Tipo de Vetor INT8 (Embeddings de 8 bits)
Modelos modernos de embedding — especialmente aqueles focados em eficiência, como E5-base e MiniLM-L12 — frequentemente produzem embeddings de 8 bits. Antes, os desenvolvedores precisavam convertê-los para floats, desperdiçando memória e armazenamento. O suporte nativo a INT8 significa:
Vetores menores → menor custo de armazenamento e memória
Payloads menores → maior throughput
Sem pré-processamento ou conversão de formato
Isso é especialmente valioso para IA na borda, modelos leves e cargas de trabalho sensíveis a custo.
Struct e Array-of-Structs
Dados do mundo real não são apenas uma lista de campos simples. Um produto pode ter vários tamanhos e imagens, um usuário pode ter diversas preferências e comportamentos, e um documento pode conter seções, tags e metadados. Em versões anteriores do Zilliz Cloud, modelar esse tipo de “dados dentro de dados” exigia achatar campos e duplicar informações.
Com Struct e Array-of-Structs agora suportados nativamente, o Zilliz Cloud permite armazenar e consultar informações ricas e aninhadas diretamente. Isso facilita representar entidades complexas como elas realmente são — sem soluções alternativas ou sistemas extras. Isso viabiliza uma modelagem mais limpa para casos de uso como:
Catálogos de produtos com atributos aninhados
Perfis de usuários com múltiplos sinais comportamentais
Documentos com metadados em camadas ou hierárquicos
Itens multimodais combinando texto, imagens e metadados estruturados
Ao manter essas relações intactas, os desenvolvedores obtêm consultas mais simples, menos joins e um modelo de dados mais realista e expressivo — tudo dentro do banco de dados vetorial.
JSON Shredding e JSON Path: Torne a Filtragem de Metadados 100× Mais Rápida com Melhor Precisão de Busca
Aplicações de IA, como busca em ecommerce e sistemas de recomendação, não apenas armazenam e recuperam vetores — elas dependem fortemente de metadados: detalhes de produtos, atributos de usuários, tags de documentos, logs de eventos, preferências, configurações e muito mais. JSON geralmente é o formato natural porque é flexível e fácil de trabalhar. No entanto, na maioria dos bancos de dados (incluindo bancos de dados vetoriais), filtrar JSON exige escanear o blob JSON inteiro. À medida que seus dados crescem, esses filtros rapidamente se tornam extremamente lentos.
O Milvus 2.6.x no Zilliz Cloud remove esse gargalo com JSON Shredding e JSON Path nativos, entregando filtragem de metadados até 100× mais rápida diretamente dentro do banco de dados vetorial.
JSON Shredding: Você ainda armazena seus metadados como JSON comum. Nada muda na forma como você grava dados. Mas o Zilliz Cloud reestrutura automaticamente o JSON nos bastidores para que a filtragem se torne até 100× mais rápida, mesmo para documentos grandes ou desorganizados. Ele oferece a velocidade de um banco de dados estruturado sem sacrificar a flexibilidade do JSON.
JSON Path: JSON Path permite indexar chaves específicas dentro do seu JSON (como
price,categoryouevent.type) para que filtros nesses campos se tornem instantâneos. Você simplesmente informa ao Zilliz Cloud quais chaves importam, e ele cuida da otimização. Isso é perfeito para filtros previsíveis, como intervalos, igualdade ou buscas baseadas em categoria.
Juntos, JSON Shredding e JSON Path trazem filtragem estruturada e busca vetorial para um único sistema, tornando a filtragem de metadados dramaticamente mais rápida e melhorando a precisão dos resultados finais de recuperação. Esse recurso é especialmente valioso para:
Sistemas de recomendação com atributos ricos de usuários ou itens
Pipelines de RAG que filtram ou roteiam documentos por metadados
Arquiteturas multi-tenant que precisam de segmentação eficiente
E muitas outras aplicações de IA com metadados ricos
Busca de texto completo otimizada por BM25: até 7× mais rápida que o Elasticsearch
Assistentes de conhecimento empresarial, chatbots de suporte ao cliente e muitas outras aplicações de IA baseadas em RAG dependem de mais do que similaridade vetorial. Elas também precisam de busca de texto completo robusta para corresponder a termos exatos, lidar com entidades raras, filtrar por linguagem específica do domínio e ancorar respostas de LLMs em fatos precisos. Para conseguir isso, muitas equipes ainda executam o Elasticsearch ou outro mecanismo de texto junto com um banco de dados vetorial—duplicando sua infraestrutura e desacelerando a recuperação.
A Zilliz Cloud introduziu a busca híbrida por palavras-chave + vetores com o Milvus 2.5.x GA no início do ano passado. Com o Milvus 2.6.x GA, estamos levando isso muito mais longe com um mecanismo de texto completo otimizado por BM25, estreitamente integrado à busca vetorial:
4× mais rápido que o Elasticsearch—e até 7× mais rápido em conjuntos de dados específicos
Índices com apenas um terço do tamanho do texto bruto
Recuperação unificada por palavras-chave + vetores em um único sistema
Menor latência e grounding mais preciso para respostas geradas por LLMs
Esta atualização é especialmente valiosa para aplicações RAG do mundo real, como:
Assistentes de conhecimento empresarial que precisam de recuperação semântica combinada com correspondências exatas para nomes, siglas, regulamentações e códigos de erro
Copilotos de suporte ao cliente e helpdesk que precisam filtrar documentos por nomes de produtos, números de versão, parâmetros de configuração e mensagens de diagnóstico
E mais.
Com o BM25 integrado diretamente ao Milvus na Zilliz Cloud, a busca híbrida se torna drasticamente mais rápida, mais barata e mais fácil de operar—sem manter uma pilha separada de busca textual.
Suporte multilíngue aprimorado para usuários globais, além de melhor busca textual para todos os idiomas
Se sua aplicação de IA atende usuários em vários países e idiomas, a qualidade da busca frequentemente depende de quão bem o sistema tokeniza e entende o texto. O Milvus 2.6.x introduz várias melhorias que aumentam significativamente a precisão da recuperação, especialmente para idiomas com segmentação complexa, como japonês, coreano e chinês. Com esta versão, a Zilliz Cloud leva esses recursos diretamente para produção com padrões otimizados e integração perfeita.
O suporte multilíngue aprimorado na Zilliz Cloud inclui:
Tokenizers Lindera + ICU para uma segmentação drasticamente melhor em japonês, coreano e textos multilíngues
Jieba com suporte a dicionário personalizado, permitindo que as equipes ajustem a tokenização em chinês para domínios específicos ou vocabulários de produtos
run_analyzer, agora disponível no ambiente de nuvem para ajudar as equipes a inspecionar e depurar o comportamento de tokenização para uma qualidade de busca consistente e previsível
A Zilliz Cloud também aprimora a recuperação geral de texto para cargas de trabalho em todos os idiomas:
Correspondência de frase, permitindo consultas de frases precisas e ordenadas com slop configurável
NGRAM Index acelerando busca por substrings, curingas, fuzzy e texto parcial em campos VARCHAR e caminhos JSON
Juntas, essas melhorias tornam a busca multilíngue e de textos complexos significativamente mais precisa e flexível na Zilliz Cloud—ideal para aplicativos globais, plataformas de e-commerce, copilotos de suporte ao cliente, assistentes de conhecimento empresarial e qualquer sistema em que os usuários esperem recuperação confiável, independentemente do idioma ou estilo de escrita.
Para uma lista completa dos recursos do Milvus 2.6.x na Zilliz Cloud, confira as notas de lançamento do Milvus.
Pronto para experimentar o Milvus 2.6.x na Zilliz Cloud?
Todos os novos recursos do Milvus 2.6.x agora estão totalmente disponíveis na Zilliz Cloud.
Se você já tem uma conta da Zilliz Cloud, basta entrar e começar a usar os novos recursos imediatamente—sem necessidade de upgrades ou migrações.
Novo no Zilliz Cloud? Cadastre-se gratuitamente e receba US$ 100 em créditos para experimentar o banco de dados vetorial gerenciado líder mundial.
Tem dúvidas sobre alguma das atualizações? Confira a documentação mais recente ou entre em contato com o Suporte da Zilliz—estamos aqui para ajudar você a aproveitar ao máximo o Milvus 2.6.x no Zilliz Cloud.
Crie Sem Limites: Uma Análise Mais Detalhada dos Recursos Prontos para Empresas do Zilliz Cloud
Com a GA do Milvus 2.6.x no Zilliz Cloud, a plataforma consolida ainda mais sua posição como o serviço de banco de dados vetorial totalmente gerenciado mais performático, econômico e seguro—ao mesmo tempo em que oferece todo o poder dos recursos avançados de busca por IA do Milvus em um ambiente operacionalmente simples e pronto para empresas.
Escalabilidade elástica e eficiência de custos – Implantação com um clique, autoscaling serverless e preços pay-as-you-go.
Busca avançada por IA – Busca vetorial, de texto completo e híbrida (esparsa + densa) com filtragem por metadados, esquema dinâmico e multilocação.
Confiabilidade e segurança de nível empresarial – SLA de 99,95%, certificações SOC 2 Type II e ISO 27001, conformidade com GDPR, prontidão para HIPAA, RBAC, BYOC, logs de auditoria, plano business critical e agora clusters globais. Consulte nosso centro de confiança para mais informações.
Disponibilidade global – Implantações na AWS, GCP e Azure com latência inferior a 100 ms no mundo todo.
Migração perfeita – Ferramentas integradas para migrar do Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate ou Milvus on-premises.
Consultas em linguagem natural – Suporte a MCP server para consultas intuitivas sem APIs complexas.
Em conjunto, esses recursos tornam o Zilliz Cloud mais do que um banco de dados vetorial — uma plataforma totalmente gerenciada e pronta para produção para criar e escalar aplicações de IA sem limitações.
Continue lendo
Build Multimodal Search for 3D Assets with Tripo and Zilliz Cloud
Generate 3D assets with Tripo, then search them by text, image, and metadata with multimodal embeddings and Zilliz Cloud.
Introducing Functions and Model Inference on Zilliz Cloud: Automatic Embedding and Reranking with Hosted Models
Zilliz Cloud Functions auto-generate embeddings via OpenAI, Voyage AI, Cohere, or Zilliz Hosted Models. Built-in reranking — just insert text and search.
How to Improve Retrieval Quality for Japanese Text with Sudachi, Milvus/Zilliz, and AWS Bedrock
Learn how Sudachi normalization and Milvus/Zilliz hybrid search improve Japanese RAG accuracy with BM25 + vector fusion, AWS Bedrock embeddings, and practical code examples.