Milvus 2.6.x теперь общедоступен в Zilliz Cloud, делая векторный поиск быстрее, умнее и экономичнее для производственного ИИ
Milvus 2.6.x уже некоторое время доступен в open-source-сообществе и быстро стал популярным путем обновления. Пользователи выбирают его ради более плавной загрузки данных, более высокой производительности, улучшенной экономической эффективности и более продвинутого гибридного поиска. Как только Milvus 2.6.x был выпущен upstream, мы начали слышать один и тот же вопрос от многих пользователей Zilliz Cloud: «Когда мы сможем запускать Milvus 2.6.x в production на Zilliz Cloud?»
Сегодня мы рады сообщить, что Milvus 2.6.x официально стал Generally Available (GA) на Zilliz Cloud, и все клиенты могут начать использовать его прямо сейчас. Этот релиз не только переносит весь набор возможностей Milvus 2.6.x в нашу полностью управляемую облачную среду, но и добавляет ряд оптимизаций, доступных только в облаке, которые выводят производительность, стабильность и эффективность за пределы того, что возможно в самостоятельно управляемых развертываниях.
Для команд, которые быстро создают, прототипируют или эксплуатируют production-grade RAG-системы, разговорных агентов, рекомендательные движки, корпоративные платформы знаний или любые другие AI-driven приложения, запуск Milvus 2.6.x на Zilliz Cloud означает доступ к новейшим возможностям Milvus с простотой, надежностью и экономической эффективностью полностью управляемого сервиса — чтобы команды могли сосредоточиться на создании продуктов, а не на эксплуатации инфраструктуры.
Почему Milvus 2.6.x важен — и что особенного в Zilliz Cloud
Milvus 2.6.x — это большой шаг вперед для production-векторного поиска: более быстрое индексирование, более низкие затраты на хранение и память, улучшенный текстовый поиск и расширенная языковая поддержка. Он обновляет подход к хранению, поиску и управлению данными во всей системе, делая крупномасштабные AI-нагрузки более эффективными и простыми в эксплуатации.
Теперь, когда Milvus 2.6.x доступен как GA на Zilliz Cloud, все эти улучшения сразу доступны в полностью управляемой, готовой к production среде. А поскольку Zilliz Cloud создается и эксплуатируется создателями Milvus, он идет дальше open-source-релиза — добавляя множество облачных оптимизаций для автоматизации, производительности, надежности и стабильности корпоративного уровня.
Коротко говоря: Milvus 2.6.x обеспечивает самый крупный технический скачок за последние годы, а Zilliz Cloud превращает его в готовый к использованию масштабируемый сервис, который можно запускать в production уже сегодня.
Давайте рассмотрим ключевые возможности и преимущества, которые вы можете ожидать при запуске Milvus 2.6.x на Zilliz Cloud.
Трехуровневое многоуровневое хранилище, которое снижает стоимость векторного поиска почти до уровня S3
Не все данные одинаковы. В реальных AI-системах только небольшая часть данных — недавние клики, популярные товары или часто используемые документы — постоянно запрашивается. Остальные данные большую часть времени простаивают. Но многие векторные базы данных вынуждают хранить все в высокопроизводительном (и дорогостоящем) хранилище, резко увеличивая совокупную стоимость владения.
Milvus 2.6.x меняет это благодаря встроенному многоуровневому хранилищу, а Zilliz Cloud развивает этот подход дальше с полностью cloud-native трехуровневой архитектурой. Вместо того чтобы платить по тарифам SSD или памяти за весь корпус данных, ваши данные автоматически размещаются на том уровне хранения, который соответствует их паттерну доступа.
В частности, в кластерах Zilliz Cloud с многоуровневым хранилищем:
Object storage (например, S3) хранит весь ваш набор данных
Local SSD выступает в роли теплого кэша, ускоряющего повторный доступ
Memory служит горячим уровнем для запросов с мгновенным откликом
Эта архитектура адаптируется в реальном времени: когда паттерны трафика меняются, система автоматически повышает или понижает уровень данных между уровнями хранения. В production-тестах это обеспечивает 90%+ попаданий в кэш, то есть большинство запросов обслуживаются из быстрой памяти или SSD, но ваш базовый счет за хранение по-прежнему ведет себя как S3.
На практике многоуровневое хранилище может снизить затраты на хранение до 87%, уменьшить расходы на вычисления на 25% и приблизить вашу совокупную стоимость владения к цене исходного S3. Набор данных объемом 10 TB, который раньше стоил около $3,000 в месяц, теперь может работать примерно за $400 — при этом по-прежнему обеспечивая стабильно низкую задержку поиска для горячих нагрузок.
Следовательно, кластеры с многоуровневым хранением идеально подходят для сверхкрупных, чувствительных к стоимости приложений с четкими паттернами «горячих»/«холодных» данных, таких как:
Поиск товаров с длинным хвостом, где существуют миллионы SKU, но ежедневно запрашиваются только верхние 5–10%
Корпоративные репозитории документов, где часто ищется только самый новый контент
Архивы новостей и медиа, где текущие статьи являются «горячими», а исторический контент — «холодным»
Любая рабочая нагрузка, где объем данных растет быстрее бюджета, и только подмножеству данных нужна быстрая производительность в памяти
Для получения дополнительной информации о ценах на многоуровневое хранение ознакомьтесь с документацией Zilliz Cloud.
Уровень построения индекса: автоматический компромисс между точностью поиска и затратами на хранение
Многоуровневое хранение уже снижает стоимость хранения необработанных векторов, размещая разные данные на разных уровнях. Но даже когда необработанные данные становится дешево хранить, в системах векторного поиска остается еще один крупный фактор затрат: индексы.
Подобно карточному каталогу, который позволяет мгновенно находить книги в библиотеке, индексы ускоряют векторный поиск в огромных масштабах — и они должны оставаться в памяти или на SSD. По сути, чем точнее вы хотите получать результаты, тем больше соседей, связей графа и метаданных должен поддерживать индекс, и тем больше его размер. В нагрузках масштаба миллиардов индекс может даже превышать размер самих необработанных векторов.
Однако не каждому AI-приложению нужна максимальная точность поиска. Некоторые рабочие нагрузки — например, обнаружение мошенничества или ранжирование — абсолютно ее требуют. Но другие, такие как поиск товаров с длинным хвостом, извлечение логов, архивы и экспериментальные среды, могут обменять небольшую долю точности на значительно меньшие индексы и более низкую стоимость. Именно поэтому управление компромиссом между точностью и емкостью важно: немного менее точный индекс может быть значительно меньше, дешевле и при этом оставаться полностью приемлемым для многих рабочих нагрузок.
В этом релизе Zilliz Cloud представляет функцию Index Build Level, которая помогает автоматически выбирать баланс точности и емкости, подходящий для ваших AI-нагрузок.
Precision-first: Максимальная полнота (точность) для критически важных рабочих нагрузок, таких как обнаружение мошенничества на базе AI.
Balanced (Default): Сильное сочетание точности, производительности и эффективности использования памяти — идеально для большинства AI-приложений общего назначения.
Capacity-first: Сильно оптимизировано для плотности хранения. Идеально для «холодных» данных, больших архивов или рабочих нагрузок, где идеальная полнота не требуется.
За кулисами Zilliz Cloud применяет механизм квантования нового поколения, который динамически настраивает сжатие и структуру индекса, обеспечивая идеальный баланс размера, точности и стоимости — без необходимости ручной настройки.
Расширенная поддержка типов данных для большего числа реальных сценариев использования AI
Ранее поддержка поиска с учетом местоположения, фильтрации по времени или сложных структурированных сущностей в AI-приложениях требовала дополнительных баз данных, GIS-инструментов или тяжелой предварительной обработки наряду с векторной базой данных. Milvus 2.6.x устраняет эту сложность, добавляя больше фундаментальных типов данных, которые позволяют этим рабочим нагрузкам полностью выполняться в Zilliz Cloud. Это расширяет возможности нативной разработки для разработчиков, упрощает архитектуру и снижает операционные накладные расходы.
Поля Geometry (POINT, LINESTRING, POLYGON)
Во многих приложениях доставки, логистики и электронной коммерции поиск должен сочетать семантическую релевантность с геопространственной фильтрацией. Запросы вроде «Найти рестораны, похожие на этот, в радиусе 1 км» или «Получить ближайшие зарядные станции для электромобилей, ранжированные по предпочтениям пользователя» ранее требовали отдельного GIS-движка наряду с векторной базой данных. Благодаря нативным типам geometry Zilliz Cloud позволяет объединять семантическое сходство + учет местоположения в одном запросе — без необходимости развертывать или поддерживать дополнительные системы.
TimestampTz (метки времени с учетом часового пояса)
Время — критически важное измерение во многих реальных AI-приложениях: от планирования событий и систем мониторинга до аналитики логов и оповещений. Без нативной поддержки времени командам приходилось сочетать векторные базы данных с внешними хранилищами временных рядов или использовать неудобные стратегии кодирования. Благодаря TimestampTz Zilliz Cloud теперь поддерживает векторный поиск в рамках временных окон, ранжирование с учетом новизны и retrieval на основе событий, что значительно упрощает временное рассуждение и позволяет создавать более чистые пайплайны для логов, оповещений, мониторинга и аналитики в реальном времени.
Векторный тип INT8 (8-битные эмбеддинги)
Современные модели эмбеддингов — особенно ориентированные на эффективность, такие как E5-base и MiniLM-L12, — часто создают 8-битные эмбеддинги. Раньше разработчикам приходилось преобразовывать их во float, впустую расходуя память и хранилище. Нативная поддержка INT8 означает:
Меньшие векторы → ниже стоимость хранения и памяти
Меньшие полезные нагрузки → выше пропускная способность
Без предварительной обработки или преобразования формата
Это особенно ценно для edge AI, легковесных моделей и рабочих нагрузок, чувствительных к стоимости.
Struct и Array-of-Structs
Реальные данные — это не просто список простых полей. У продукта может быть несколько размеров и изображений, у пользователя — несколько предпочтений и поведенческих паттернов, а документ может содержать разделы, теги и метаданные. В более ранних версиях Zilliz Cloud моделирование такого рода «данных внутри данных» требовало выравнивания полей и дублирования информации.
Теперь, благодаря нативной поддержке Struct и Array-of-Structs, Zilliz Cloud позволяет напрямую хранить и запрашивать богатую вложенную информацию. Это упрощает представление сложных сущностей такими, какие они есть на самом деле, — без обходных путей или дополнительных систем. Это открывает возможности для более чистого моделирования в таких сценариях, как:
Каталоги продуктов с вложенными атрибутами
Профили пользователей с несколькими поведенческими сигналами
Документы со слоистыми или иерархическими метаданными
Мультимодальные элементы, объединяющие текст, изображения и структурированные метаданные
Сохраняя эти связи целостными, разработчики получают более простые запросы, меньше joins и более реалистичную, выразительную модель данных — всё внутри векторной базы данных.
JSON Shredding и JSON Path: ускорьте фильтрацию метаданных в 100 раз и повысьте точность поиска
AI-приложения, такие как ecommerce-поиск и рекомендательные системы, не просто хранят и извлекают векторы — они в значительной степени полагаются на метаданные: сведения о продуктах, атрибуты пользователей, теги документов, логи событий, предпочтения, конфигурации и многое другое. JSON обычно является естественным форматом, потому что он гибкий и удобный в работе. Однако в большинстве баз данных (включая векторные базы данных) фильтрация JSON требует сканирования всего JSON-blob. По мере роста данных такие фильтры быстро становятся мучительно медленными.
Milvus 2.6.x в Zilliz Cloud устраняет это узкое место благодаря нативным JSON Shredding и JSON Path, обеспечивая до 100× более быструю фильтрацию метаданных непосредственно внутри векторной базы данных.
JSON Shredding: Вы по-прежнему храните свои метаданные как обычный JSON. Ничего не меняется в том, как вы записываете данные. Но Zilliz Cloud автоматически перестраивает JSON под капотом, чтобы фильтрация стала до 100× быстрее даже для больших или неструктурированных документов. Это дает скорость структурированной базы данных без потери гибкости JSON.
JSON Path: JSON Path позволяет индексировать конкретные ключи внутри вашего JSON (например,
price,categoryилиevent.type), чтобы фильтры по этим полям срабатывали мгновенно. Вы просто сообщаете Zilliz Cloud, какие ключи важны, а он выполняет оптимизацию. Это идеально подходит для предсказуемых фильтров, таких как диапазоны, равенство или поиск по категориям.
Вместе JSON Shredding и JSON Path объединяют структурированную фильтрацию и векторный поиск в одной системе, делая фильтрацию метаданных значительно быстрее и повышая точность итоговых результатов retrieval. Эта функция особенно ценна для:
Рекомендательных систем с богатыми атрибутами пользователей или элементов
RAG-пайплайнов, которые фильтруют или маршрутизируют документы по метаданным
Мультитенантных архитектур, которым нужна эффективная сегментация
И многие другие AI-приложения с богатыми метаданными
Полнотекстовый поиск, оптимизированный для BM25: до 7× быстрее, чем Elasticsearch
Корпоративные ассистенты знаний, чат-боты клиентской поддержки и многие другие AI-приложения на основе RAG полагаются не только на векторное сходство. Им также нужен мощный полнотекстовый поиск, чтобы сопоставлять точные термины, обрабатывать редкие сущности, фильтровать по предметно-специфическому языку и привязывать ответы LLM к точным фактам. Чтобы добиться этого, многие команды по-прежнему запускают Elasticsearch или другой текстовый движок вместе с векторной базой данных — удваивая инфраструктуру и замедляя извлечение.
Zilliz Cloud представила гибридный поиск по ключевым словам + векторам с Milvus 2.5.x GA ранее в прошлом году. С Milvus 2.6.x GA мы продвигаемся гораздо дальше благодаря полнотекстовому движку, оптимизированному для BM25 и тесно интегрированному с векторным поиском:
В 4× быстрее, чем Elasticsearch, — и до 7× быстрее на отдельных наборах данных
Индексы занимают только одну треть размера исходного текста
Унифицированное извлечение по ключевым словам + векторам в одной системе
Более низкая задержка и более точное обоснование ответов, сгенерированных LLM
Это обновление особенно ценно для реальных RAG-приложений, таких как:
Корпоративные ассистенты знаний, которым нужно семантическое извлечение в сочетании с точными совпадениями для имен, аббревиатур, нормативов и кодов ошибок
Копилоты клиентской поддержки и helpdesk, которым необходимо фильтровать документы по названиям продуктов, номерам версий, параметрам конфигурации и диагностическим сообщениям
И многое другое.
Благодаря BM25, встроенному непосредственно в Milvus на Zilliz Cloud, гибридный поиск становится значительно быстрее, дешевле и проще в эксплуатации — без необходимости поддерживать отдельный стек текстового поиска.
Улучшенная многоязычная поддержка для глобальных пользователей, а также более качественный текстовый поиск для всех языков
Если ваше AI-приложение обслуживает пользователей в разных странах и на разных языках, качество поиска часто зависит от того, насколько хорошо система токенизирует и понимает текст. Milvus 2.6.x вводит несколько улучшений, которые значительно повышают точность извлечения, особенно для языков со сложной сегментацией, таких как японский, корейский и китайский. В этом выпуске Zilliz Cloud переносит эти возможности непосредственно в production благодаря оптимизированным настройкам по умолчанию и бесшовной интеграции.
Расширенная многоязычная поддержка в Zilliz Cloud включает:
Токенизаторы Lindera + ICU для значительно более качественной сегментации японского, корейского и смешанного многоязычного текста
Jieba с поддержкой пользовательского словаря, позволяющий командам тонко настраивать токенизацию китайского языка для конкретных доменов или словарей продуктов
run_analyzer, теперь доступный в облачной среде, чтобы помочь командам проверять и отлаживать поведение токенизации для стабильного, предсказуемого качества поиска
Zilliz Cloud также улучшает общее извлечение текста для рабочих нагрузок на всех языках:
Phrase Match, обеспечивающий точные, упорядоченные фразовые запросы с настраиваемым slop
NGRAM Index, ускоряющий поиск подстрок, wildcard, fuzzy и частичного текста по полям VARCHAR и JSON paths
В совокупности эти улучшения делают многоязычный и сложный текстовый поиск в Zilliz Cloud значительно более точным и гибким — идеально для глобальных приложений, e-commerce платформ, копилотов клиентской поддержки, корпоративных ассистентов знаний и любых систем, где пользователи ожидают надежного извлечения независимо от языка или стиля письма.
Полный список функций Milvus 2.6.x в Zilliz Cloud см. в примечаниях к выпуску Milvus.
Готовы попробовать Milvus 2.6.x на Zilliz Cloud?
Все новые возможности Milvus 2.6.x теперь полностью доступны в Zilliz Cloud.
Если у вас уже есть аккаунт Zilliz Cloud, просто войдите и сразу начните использовать новые функции — обновления или миграции не требуются.
Впервые в Zilliz Cloud? Зарегистрируйтесь бесплатно и получите $100 в кредитах, чтобы познакомиться с ведущей в мире управляемой векторной базой данных.
Есть вопросы по любым обновлениям? Ознакомьтесь с последней документацией или обратитесь в службу поддержки Zilliz — мы поможем вам получить максимум от Milvus 2.6.x в Zilliz Cloud.
Создавайте без ограничений: подробный обзор возможностей Zilliz Cloud, готовых для корпоративного использования
С выпуском GA Milvus 2.6.x в Zilliz Cloud платформа еще больше укрепляет свои позиции как самый производительный, экономически эффективный и безопасный полностью управляемый сервис векторной базы данных — предоставляя при этом всю мощь расширенных возможностей AI-поиска Milvus в операционно простой и готовой для корпоративного использования среде.
Эластичное масштабирование и экономическая эффективность — развертывание в один клик, бессерверное автомасштабирование и оплата по мере использования.
Расширенный AI-поиск — векторный, полнотекстовый и гибридный (разреженный + плотный) поиск с фильтрацией по метаданным, динамической схемой и мультитенантностью.
Надежность и безопасность корпоративного уровня — SLA 99,95%, сертификации SOC 2 Type II и ISO 27001, соответствие GDPR, готовность к HIPAA, RBAC, BYOC, журналы аудита, план для бизнес-критичных задач, а теперь и глобальные кластеры. Подробнее см. в нашем центре доверия.
Глобальная доступность — развертывания в AWS, GCP и Azure с задержкой менее 100 мс по всему миру.
Бесшовная миграция — встроенные инструменты для перехода с Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate или локального Milvus.
Запросы на естественном языке — поддержка MCP server для интуитивных запросов без сложных API.
В совокупности эти возможности делают Zilliz Cloud не просто векторной базой данных, а полностью управляемой, готовой к продакшену платформой для создания и масштабирования AI-приложений без ограничений.
Читать далее
Our Journey to 35K+ GitHub Stars: The Real Story of Building Milvus from Scratch
Join us in celebrating Milvus, the vector database that hit 35.5K stars on GitHub. Discover our story and how we’re making AI solutions easier for developers.
Why Not All VectorDBs Are Agent-Ready
Explore why choosing the right vector database is critical for scaling AI agents, and why traditional solutions fall short in production.
Vector Databases vs. Hierarchical Databases
Use a vector database for AI-powered similarity search; use a hierarchical database for organizing data in parent-child relationships with efficient top-down access patterns.