Beobachtetes Signal · 3. Aug. 2026 · Technical Release · Quelle: https://martechseries.com/feed/ · Relevanz: 3/5 · Sentiment: Positiv
Zilliz veröffentlicht Milvus 3.0 als Lake-Native Vektordatenbank
Zilliz hat Milvus 3.0 angekündigt, ein bedeutendes technisches Update, das die Open-Source-Vektordatenbank Lake-Native macht und die Retrieval-Engine erweitert. Milvus 3.0 ermöglicht Indizierung und Serving direkt über Object Storage und offene Datenformate. Zu den Neuerungen gehören die manifestbasierte Storage-Engine Loon, External Collections für Formate wie Lance und Iceberg, Snapshots, ein Spark-Connector sowie ein expressiveres Retrieval-Stack mit StructList für Multi-Vector-Retrieval und einem optimierten Sparse Index. Das Release steht unter der Apache-2.0-Lizenz, ist ein graduiertes LF AI & Data Projekt, unterstützt Kubernetes/Docker sowie gängige Cloud-Objektspeicher und ist über Python-, Go- und Node.js-SDKs verfügbar. Zilliz Cloud nutzt Milvus 3.0 als Kern für seine verwaltete Vector Lakebase.
Milvus 3.0 treibt die Vektordatenbank-Infrastruktur durch Lake-Native-Indizierung und erweiterte Retrieval-Funktionen voran, was Datenredundanzen reduziert und performantes Production-Retrieval für KI-gestützte Anwendungen ermöglicht – insbesondere für moderne Datenarchitekturen im Bereich MarTech und AI-gesteuerte AdTech-Lösungen.
Marktsignale zu Databricks in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Zilliz hat Milvus 3.0 angekündigt, ein architektonisches Major-Update für die Open-Source-Vektordatenbank.
- Milvus 3.0 führt eine Lake-Native-Architektur ein, die Produktions-Indizierung und Retrieval direkt über Object Storage und offene Datenformate (u.a. Lance, Iceberg, Parquet, Vortex) ermöglicht.
- Neue Komponenten umfassen External Collections, die manifestbasierte Storage-Engine Loon, Snapshots, einen Spark-Connector sowie StructList für natives Multi-Vector-Retrieval.
- Milvus 3.0 optimiert Sparse/Hybrid-Retrieval (intern ca. 3x kleinerer Sparse Index) und ergänzt Features wie SINDI, serverbasiertes MinHash, nullable Vector Fields und erweiterte Faiss-kompatible Indexunterstützung.
- Das Release ist Apache-2.0-lizenziert, ein LF AI & Data Projekt, unterstützt Kubernetes/Docker sowie S3/GCS/Azure und bietet Python-, Go- sowie Node.js-SDKs (Java ist geplant).
Verknüpfte Unternehmen
4 verknüpfte Unternehmen“A new Spark connector exposes Milvus as a Spark DataSource V2, allowing Spark, Databricks, and EMR pipelines to read from and write to Milvu...”
“It can be deployed on Kubernetes or Docker, including in air-gapped environments, and supports Amazon S3-compatible object storage, Google C...”
“It can be deployed on Kubernetes or Docker, including in air-gapped environments, and supports Amazon S3-compatible object storage, Google C...”
“It can be deployed on Kubernetes or Docker, including in air-gapped environments, and supports Amazon S3-compatible object storage, Google C...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Zilliz stellt Vector Lakebase für einheitliche AI-Datenplattform vor
Zilliz hat die Public Preview von Vector Lakebase angekündigt. Die auf Zilliz Cloud verfügbare Lösung kombiniert die produktionserprobte Vector Database Milvus mit einer gemeinsam genutzten, lake-nativen Speicherbasis auf Basis von Vortex, um Zero-Copy-Workflows für Echtzeit-Serving, interaktive Discovery und Batch-Analysen im großen Maßstab zu ermöglichen. Zu den Hauptfunktionen gehören gestaffelte Echtzeit-Serving-Ebenen, On-Demand-Pay-As-You-Go-Suche, ein Zero-Copy External Collection-Modus für die Indizierung von Lance-, Iceberg-, Parquet- und Vortex-Tabellen, Full-Spectrum AI Search inklusive dichter und sparsamer Vektoren sowie einheitlicher lake-nativer Speicher mit objektbanksensitiven Indizes. Zilliz positioniert das Produkt so, dass Datenduplizierung vermieden und Kosten sowie Komplexität für AI-Teams reduziert werden. Die Veröffentlichung hebt zudem Compute-to-Zero-Abrechnungsmodelle und Integrationen mit Rerankern von Drittanbietern wie Cohere und Voyage AI hervor.
Zilliz Cloud bringt BYOC auf Azure und deckt alle Major Clouds ab
Zilliz hat die General Availability von Zilliz Cloud BYOC (Bring Your Own Cloud) auf Microsoft Azure bekannt gegeben und damit die Verfügbarkeit über die drei großen Public Clouds (AWS, Google Cloud Platform und Microsoft Azure) komplettiert. Die BYOC-Option stellt eine vollständig verwaltete, auf Milvus basierende Vector Database im Cloud-Konto des Kunden bereit. Ziel ist es, die Datenkontrolle sowie Compliance-Vorgaben zu wahren und gleichzeitig den Engineering-Aufwand zu senken. Die Azure-Integration ermöglicht die Kompatibilität mit bestehenden Enterprise Agreements, Reserved Capacity sowie Governance-Frameworks und bietet einen offiziellen Zilliz Cloud Terraform Provider für automatisierte Infrastructure-as-Code-Deployments. Laut Zilliz umfasst jede BYOC-Bereitstellung den vollständigen Funktionsumfang der Zilliz Cloud und unterstützt Migrationen von Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, Weaviate oder selbst gehostetem Milvus.
Pinecone vs. Weaviate vs. Milvus vs. Qdrant: Vektor-DB-Vergleich 2026
Ein technischer Vergleich von vier führenden Vektor-Datenbanken (Pinecone, Qdrant, Weaviate, Milvus) für das Jahr 2026 bewertet Architektur, Latenz-Benchmarks, Filtergenauigkeit, Hybrid Search, Skalierungskosten und Quick-Start-Code. Wichtigste Erkenntnisse: Pinecone ist eine vollständig verwaltete Serverless-Option für Datensätze unter ~10 Mio. Vektoren; Qdrant bietet stärkste Filterung, nativen Hybrid-Support, GPU-beschleunigte HNSW-Indizierung (v1.14, Apr 2026) und geringste Self-Hosted-Kosten; Weaviate punktet mit integrierter Vektorisierung, ausgereiftem BM25+Dense-Hybrid-Flow sowie MCP Server (v1.37, Apr 2026); Milvus zielt mit GPU-Indizierung und Kubernetes auf Datensätze über 100 Mio. Vektoren ab. Benchmarks (Salt Technologies AI) zeigen Qdrant mit der niedrigsten Median-Latenz; die Kostenanalyse favorisiert selbstgehostetes Qdrant bei hohem Skalierungsbedarf.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.