メインコンテンツまでスキップ

2026年5月 リリースノート

2026-05-13

[BYOC] マルチデータプレーンのサポート​

Zilliz Cloud BYOC が、単一プロジェクト内で複数のデータプレーンをサポートするようになりました。BYOC プロジェクトは複数リージョンにまたがることができ、各データプレーンはリージョン固有のインフラストラクチャユニットを表します。

  • 1 つの BYOC プロジェクト配下での複数データプレーンと、データプレーン管理用の新しいデータプレーンページ

  • プロジェクト内で対象リージョン / データプレーンを選択して cluster を作成

既存の BYOC プロジェクトとの互換性は維持され、データ移行は不要です。現在の BYOC プロジェクトは、1 つのデータプレーンを持つプロジェクトとして引き続き動作します。

詳細については、AWS で BYOC をデプロイ、AWS で BYOC-I をデプロイ、Microsoft Azure で BYOC-I をデプロイ、および GCP で BYOC をデプロイ を参照してください。

2026-05-09

Vector Lakebase パブリックプレビュー​

このメジャーリリースにより、Zilliz Cloud は vector database 製品から Vector Lakebase プラットフォームへと進化します。

アップグレード後、従来の vector database サービスはレイテンシが重要なワークロード向けのリアルタイム serving レイヤーとなり、同時にプラットフォーム全体のデータおよびコンピュート機能が拡張され、現代の AI および agent アプリケーションで必要とされるセマンティック検索と分析のワークフローループをより適切にサポートします。

Vector Lakebase は、S3 ベースの統合データ基盤の上に構築されており、次の 3 つのアクセスモードを通じて AI および agent ワークロードを支えます。

  • レイテンシ重視の本番 serving 向けの Real-time Retrieval

  • 対話型かつ多段階の探索向けの Iterative Discovery

  • オフラインマイニングおよびデータセット最適化向けの Batch Analytics

Vector Lakebase は、完全に分離されたストレージ–コンピュートアーキテクチャ上に構築されています。データは Database に保存されます。これは project レベルの vector ストアであり、いかなる compute cluster にも依存しません。チームはここに、無制限の vector を、テキスト、JSON、ラベル、地理空間データ、その他のタイプの属性とともに保存できます。

特に、Zilliz Vector Lakebase はいくつかの重要な機能を導入します。

On-Demand Search

対話型探索やバッチ分析では、オンライン serving より 1 ～ 3 桁大きいデータセットを扱うことが多く、これにはフィードバックデータ、ログ、agent ノート、クロール済みコーパスなどが含まれます。これらのワークロードは通常、継続的に稼働するものではなくタスク駆動型であるため、compute リソースは 97% 以上の時間アイドル状態のままです。その結果、常時稼働の大規模 vector database cluster を使うことは、コスト面で正当化しにくいことがよくあります。

Zilliz On-Demand Search は、オブジェクトストレージとオンデマンド compute に対して直接課金します。これは AWS Lambda に似ており、料金は主に割り当てたリソースサイズと実行時間に基づき、ストレージコストは基盤となる S3 コストに近い水準に保たれます。

これらの常時稼働ではないワークロードでは、On-Demand Search と Serverless のどちらも従量課金モデルを採用しています。しかし、当社の実験が示すように、月間累計アクティブ compute 時間が 10 時間の 10 億 vector ワークロードでは、On-Demand Search の総コストは Serverless のわずか約 1/15 です ($318 vs. $4,937)。

詳細については、On-Demand Search クイックスタート と On-Demand Compute Cost を参照してください。

External Data Lake Search

Zilliz Vector Lakebase は、フルマネージドなストレージおよびクエリ compute を提供すると同時に、既存のデータレイク基盤とガバナンスパイプラインを持つ顧客もサポートします。

AI ワークロードにおける重要な課題は、レイクデータの上で直接、効率的な検索とセマンティック探索を可能にすることです。Spark や Ray のような従来システムは、インデックスで高速化されたセマンティック検索ではなく、フルデータスキャンや map-reduce 計算向けに最適化されています。

これに対処するため、Zilliz は External Collection モードを提供します。これは、顧客所有のレイクテーブルへのゼロコピーの論理マッピングであり、その上に高性能な index とフルスペクトラムの検索機能を構築します。

既存のデータレイクを index 化して高速化する方法については、External Data Lake Search クイックスタート を参照してください。

Vector Lakebase には、Zilliz Cloud コンソール、REST API、PyMilvus、Zilliz CLI からアクセスできます。compute、storage、および storage request 全体にわたる従量課金が導入されており、これには Query CU、Indexing CU、Project Database Storage、および Storage Requests が含まれます。

Milvus 3.0 パブリックプレビュー​

Vector Lakebase のローンチにあわせて、Zilliz は Milvus 3.0 のパブリックプレビューも公開します。このバージョンでは、Milvus はオープンなデータフォーマットと既存のデータレイクおよび大規模データ処理エンジンとのより広範な統合を通じて、vector database 機能を AI データインフラストラクチャスタックへと拡張します。

📘Notes

このリリースでは、Milvus 3.0 の機能は On-demand Clusters でのみサポートされます。Serving Clusters はまだサポートされていません。

外部データとストレージフォーマット

  • External Collection — オブジェクトストレージ上のデータ (Parquet、Lance、Vortex、Iceberg) を、Milvus にコピーせず直接参照します。Milvus は schema、index、クエリ実行のみを管理します。増分 Refresh により、ソースファイルの変更に collection を同期した状態に保てます。また、1 つのデータセットを複数のインスタンスから同時に提供できます。

    詳細については、External Collection を作成 を参照してください。

  • External Backfill (プライベートプレビュー) — 稼働中の collection でダウンタイムなしに embedding モデルをアップグレードします。AddCollectionField を使って新しい vector フィールドを追加し、Snapshot で整合性のある開始時点を固定し、embedding ジョブをオフラインで実行し、通常の取り込み経路を通じて値を書き戻します。新しい列の index 作成が完了すると、アプリケーションを切り替えます。

    External Backfill のプライベートプレビューに参加するには、お問い合わせください。

Schema とデータモデリング

  • Null Vector — 6 種類すべての vector 型で、vector フィールドを nullable にできます。NULL 行は検索時に自動的にスキップされるため検索品質に影響せず、NULL vector は実質的にストレージを消費しません。既存の collection でも、AddCollectionField を使って新しい nullable vector 列を再構築なしでオンライン追加できます。

    詳細については、Nullable Fields と Default Values を参照してください。

  • EmbList + DiskANN — entity ごとに可変長の vector リストを保存し、DiskANN によりディスク上で index 化します。長文ドキュメント、ColBERT のような late-interaction モデル、マルチモーダル entity に適しており、大規模コーパスでも RAM 使用量を抑えられます。

    詳細については、StructArray Overview と StructArray Operators を参照してください。

  • MinHash DIDO (Doc-in, Doc-out) — MINHASH_LSH にサーバーサイドの MinHash 関数を追加します。Milvus は insert、bulk-insert、search の際に自動的にシグネチャを計算するため、重複排除、フィンガープリンティング、盗用検出ワークフローでアプリケーション側の前処理は不要です。

    詳細については、MinHash Function を参照してください。

検索とランキング制御

  • Query / Search Order By — 検索結果およびクエリ結果に対する複数フィールドでの並び替えをサポートし、フィールドごとに ASC / DESC を指定でき、カーネルにプッシュダウンされます。複合ランキングのために過剰取得してクライアント側で再ソートする必要がなくなります。

    詳細については、Basic Vector Search、Grouping Search、および Query を参照してください。

データライフサイクルと運用

  • Snapshot — データをコピーせず、既存の segment を参照する collection の特定時点の読み取り専用ビューです。ライブ collection が書き込みを継続している間も、バッチジョブは MVCC スタイルの分離下で実行されるため、A/B 評価、重複排除、backfill 検証に適しています。

    詳細については、Snapshots と Manage Snapshots を参照してください。

  • Entity TTL (Row-level TTL) — Timestamptz TTL フィールドによる行単位の有効期限設定です。期限切れの行は自動的に回収されるため、保持コンプライアンス、セッションデータ、会話履歴に対応でき、アプリケーション側のクリーンアップは不要です。

    詳細については、Set Collection TTL を参照してください

  • Force Merge — オフピーク時間帯に segment compaction を明示的にトリガーします (同期または非同期)。これにより、segment の断片化によるクエリレイテンシのばらつきとストレージオーバーヘッドを削減します。

テキストおよび Spark ベースのデータ処理

  • カスタム辞書と tokenizer (プライベートプレビュー) — FileResource メカニズムを通じて、カスタム tokenizer 辞書、同義語リスト、ストップワードリスト、decompounder ルールを登録できます。BM25、analyzer、および Text Match に反映され、アプリケーションコードの各所に分散させる代わりに一元的にバージョン管理できます。

  • Spark Semantic Dedup (プライベートプレビュー) — 大規模な Spark データ処理向けにセマンティック重複排除をサポートします。

  • Spark Abnormal Detection (プライベートプレビュー) — Spark ベースのデータ処理中に異常レコードまたは異常パターンを検出します。

    上記いずれかの機能のプライベートプレビューに参加するには、お問い合わせください。

External Volumes​

Zilliz Cloud は、Managed Volumes に加えて External Volumes をサポートするようになりました。External Volume は、お客様自身のクラウドオブジェクトストレージ内の bucket またはパスへの読み取り専用参照であり、インポート、移行、external-collection ワークフローのために、Zilliz Cloud がソースデータをその場で読み取れるようにします。データを最初に Zilliz Cloud にコピーする必要はありません。

  • 既に存在する場所でデータを利用 — External Volume を AWS S3 または Google Cloud Storage のパスに向けます。データはお客様の bucket に保持され、Zilliz Cloud は必要なときだけそれを読み取ります。

  • 制御されたリージョナルアクセス — アクセスは Storage Integration と Zilliz Cloud RBAC を通じて管理され、許可された project ユーザーのみが External Volumes を作成または管理できるようにします。

詳細については、External Volumes を参照してください。

Large TopK​

Large TopK が collection レベルでサポートされるようになり、有効化された collection では返却可能な entity の最大数が 16,384 から 1,000,000 に拡張されました。Serving Cluster と On-demand Compute の両方で利用でき、データマイニングやバッチ分析ワークロードに最適です。候補生成、モデル評価、大規模類似検索などのユースケースで、より広範な候補想起を実現します。

詳細については、Use Large TopK を参照してください。

機能強化​

  • リージョン対応の project ガバナンス — project にリージョン制約が含まれるようになり、企業がデータレジデンシーを管理し、リージョンごとのデータプレーンアクセスを明示的に保てるようになりました。このリージョンモデルは、Zilliz Cloud コンソールと API の両方に反映されています。

  • Zilliz CLI の更新 — Zilliz CLI は、このリリースでの変更点に対応するよう更新されました。これには Lakebase、External Volumes、リージョン対応オペレーション、および価格関連の更新が含まれます。詳細については、Zilliz CLI の利用体験を参照してください。

Ctrl I