Февральский релиз Zilliz Cloud Pipelines — сторонние модели эмбеддингов и улучшения удобства использования!
Мы рады представить значительное обновление Zilliz Cloud Pipelines, наполненное захватывающими функциями, которые помогут вашим RAG-приложениям получать гибкий и высококачественный поиск без каких-либо затрат на DevOps.
Наш февральский релиз был сосредоточен на двух ключевых направлениях: моделях эмбеддингов и удобстве использования.
Новые модели эмбеддингов от OpenAI и Voyage AI
С добавлением сторонних моделей эмбеддингов от OpenAI и Voyage AI Zilliz Cloud Pipelines теперь предоставляет гибкий выбор из 6 моделей эмбеддингов (5 моделей для английского языка и 1 модель для китайского)! Независимо от того, что для вас важнее — баланс стоимости хранения, качество поиска или задержка, — для вас найдется подходящий вариант:
- Баланс качества и затрат:
openai/text-embedding-3-smallобеспечивает конкурентоспособное качество благодаря высокоэффективной модели, создающей векторы меньшей размерности. У нее минимальные затраты на инференс и хранение. - Поиск максимальной производительности для конкретной задачи:
voyageai/voyage-code-2обеспечивает выдающееся качество поиска по текстам, насыщенным кодом, включая исходный код и техническую документацию. - Чувствительность к сетевой задержке при загрузке данных и обслуживании запросов: выберите
zilliz/bge-base-en-v1.5— отличную модель общего назначения, размещенную вместе с векторной базой данных в одной сетевой среде, что обеспечивает лучшую сквозную задержку загрузки данных и запросов.
| Модель эмбеддингов | Описание |
|---|---|
| zilliz/bge-base-en-v1.5 | Выпущенная BAAI, эта современная open-source модель размещается в Zilliz Cloud и расположена совместно с векторными базами данных, обеспечивая хорошее качество и лучшую сетевую задержку. Это модель эмбеддингов по умолчанию, когда language — ENGLISH. |
| voyageai/voyage-2 | Размещается Voyage AI. Эта модель общего назначения отлично справляется с поиском технической документации, содержащей описательный текст и код. Ее облегченная версия voyage-lite-02-instruct занимает верхние позиции в рейтинге MTEB. Эта модель доступна только когда language — ENGLISH. |
| voyageai/voyage-code-2 | Размещается Voyage AI. Эта модель оптимизирована для программного кода, обеспечивая выдающееся качество поиска блоков кода. Эта модель доступна только когда language — ENGLISH. |
| openai/text-embedding-3-small | Размещается OpenAI. Эта высокоэффективная модель эмбеддингов обладает более высокой производительностью по сравнению со своим предшественником text-embedding-ada-002 и балансирует стоимость инференса и качество. Эта модель доступна только когда language — ENGLISH. |
| openai/text-embedding-3-large | Размещается OpenAI. Это самая производительная модель OpenAI. По сравнению с text-embedding-ada-002 показатель MTEB вырос с 61.0% до 64.6%. Эта модель доступна только когда language — ENGLISH. |
| zilliz/bge-base-zh-v1.5 | Выпущенная BAAI, эта современная open-source модель размещается в Zilliz Cloud и расположена совместно с векторными базами данных, обеспечивая хорошее качество и лучшую сетевую задержку. Это модель эмбеддингов по умолчанию, когда language — CHINESE. |
Улучшенное удобство использования для более комфортного онбординга
Будучи комплексным решением для поиска, мы стремимся обеспечить лучший опыт разработчика в Zilliz Cloud Pipelines как на этапах разработки, так и онбординга. В этом релизе добавлена новая страница "Run Pipeline" и функция загрузки локальных файлов. Мы также добавили поддержку всех выделенных кластеров vector db в регионе GCP us-west-2, поэтому функция pipelines больше не ограничена бесплатным планом Serverless.
Новый UX для запуска Pipeline
При тестировании ваших недавно созданных pipelines мы понимаем желание опробовать их всего за несколько кликов. Тестирование функции pipelines теперь стало доступнее благодаря новой странице "Run Pipeline". Мы организовали все ваши pipelines по коллекциям на левой панели. Вы можете выбрать pipeline на левой панели и выполнить пробный запуск, чтобы загрузить документ или выполнить поисковый запрос. Тип pipeline отображается в UI, поэтому вы можете быстро различать их.
Загрузка локальных файлов
Хотя в production удобно и безопасно загружать документы из объектных хранилищ, многие разработчики предпочитают загружать локальные файлы во время разработки для удобства. В этом релизе мы поддерживаем загрузку локальных файлов в дополнение к S3 и GCS. Вы можете напрямую загрузить локальный файл, нажав кнопку "Attach File" в UI "Run Pipeline".
Поддержка выделенных кластеров векторных баз данных
С момента запуска Zilliz Cloud Pipelines мы получали отзывы пользователей с просьбой расширить сервис на большее количество типов кластеров векторных баз данных. В этом релизе мы рады снять это ограничение. Zilliz Cloud Pipelines теперь может работать с любым типом кластера векторной базы данных в регионе GCP us-west-2, включая Serverless и Dedicated. Мы расширим сервис на большее количество облаков и регионов в будущих релизах, включая AWS, Azure и Alicloud.
Благодаря поддержке выделенных кластеров вы можете получить повышенную производительность и надежность векторного поиска, пользуясь удобным комплексным сервисом для поиска — Zilliz Cloud Pipelines.
Начните использовать Zilliz Cloud Pipelines уже сегодня
На этом завершается наш февральский релиз Zilliz Cloud Pipelines: больше моделей embedding на выбор, улучшенный пользовательский опыт, загрузка локальных файлов и поддержка выделенных кластеров.
Готовы сами ощутить мощь Zilliz Cloud Pipelines? Зарегистрируйтесь бесплатно уже сегодня и попробуйте оптимизированное решение для поиска с качеством, гибкостью и без накладных расходов на DevOps. Вы также можете использовать Zilliz Cloud Pipelines с популярными фреймворками RAG, такими как LlamaIndex. Присоединяйтесь к множеству разработчиков, которые используют Zilliz Cloud Pipelines, чтобы освободить свои инновации от обслуживания инфраструктуры и DevOps.
Читать далее
VDBBench Adds Cost-Aware Benchmarking for Vector Databases
Compare Zilliz Cloud, Pinecone, and turbopuffer with VDBBench cost-aware vector database benchmarks across latency, freshness, multitenancy, and cold starts.
Notion's Vector Search Is Excellent. Their Next Problem Is Harder.
Notion solved vector search scaling in two years. The next bottleneck — offline context engineering, unified data, and the real-time/offline gap — is harder.
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.