Milvus
PulseAugur coverage of Milvus — every cluster mentioning Milvus across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
带有 pgvector 扩展的 PostgreSQL 在基准测试中优于专用向量数据库
一项对 pgvector、Qdrant 和 Pinecone 在 5000 万个向量上进行的最新基准测试显示，带有 pgvectorscale 扩展的 PostgreSQL 在性能上显著优于专用向量数据库。在相同的 AWS 硬件上，以 99% 的召回率目标，PostgreSQL 实现了每秒 471 次查询，而 Qdrant 仅为每秒 41 次查询，相差 11.5 倍。虽然 PostgreSQL 在速度、成本和操作复杂性方面对大多数当前…
-
向量数据库对决：Pinecone、Qdrant、Weaviate、Milvus、pgvector 对比评测
向量数据库的格局正在迅速演变，Pinecone、Weaviate、Chroma、Milvus、Qdrant 和 pgvector 等主要参与者正在争夺 2025 年的主导地位。这些数据库对于 RAG 系统、推荐引擎和语义搜索等应用至关重要，能够对机器学习模型生成的高维向量嵌入进行高效的相似性搜索。虽然它们都旨在提供近似最近邻 (ANN) 搜索，但在性能、成本和易用性方面存在显著差异，这使得开发人员在选择时必须做出关键决定。
-
Milvus 2.5 向量数据库发布，支持 GPU 加速处理超过 100 亿向量
Zilliz 推出的开源向量数据库 Milvus 2.5 已发布，其处理海量数据集的能力得到增强。新版本具备 GPU 加速索引、分布式架构和分层存储，能够以毫秒级延迟处理高达 100 亿个向量。该数据库专为可扩展的相似性搜索而设计，支持多种索引类型，包括通过 NVIDIA RAFT 优化的 GPU 索引，显著加快了索引构建和查询吞吐量。Milvus 可从简单的 Docker 单机部署扩展到生产级的 Kubernetes 集群，其商业版…
-
Vortex系统通过多模态融合增强视频检索 · 跟踪1个来源
Vortex系统由FocusOnFun团队为2025年胡志明市AI挑战赛开发，通过多模态融合增强智能视频检索。它集成了自适应关键帧提取、视觉语言和语音模型元数据生成，以及结合CLIP和SigLIP2嵌入的混合检索策略。该系统还基于Milvus和Elasticsearch构建了基于Rocchio的相关反馈和多阶段时间搜索机制，以实现可扩展性。FocusOnFun团队在比赛中取得了优异的成绩，凸显了其混合方法的有效性。
-
RAG 技术通过在生成前检索外部数据来增强 LLM
检索增强生成 (RAG) 是一种旨在缓解大型语言模型幻觉问题的技术。它的工作原理是在 LLM 生成响应之前，首先从外部知识库中检索相关信息。这个过程包括将文档索引成可搜索的格式，根据用户的查询检索最相关的片段，然后将这些片段作为上下文提供给 LLM，以进行类似开卷考试的响应。
-
RAG 详解：检索增强生成的工作原理
检索增强生成（RAG）是大型语言模型（LLM）应用中的一种关键架构模式，旨在克服知识截止和幻觉等限制。RAG 的工作原理是首先从外部知识库检索相关信息，然后利用这些信息来指导 LLM 的响应。该过程包括一个离线索引阶段，在此阶段将文档分块、嵌入成向量并存储在向量数据库中，随后是一个在线查询阶段，在此阶段将用户查询嵌入并用于查找相似的文档块，供 LLM 生成答案。
-
向量数据库：对LLM至关重要还是不必要的复杂性？
向量数据库在AI项目中越来越受欢迎，尤其是在结合LLM进行检索增强生成（RAG）时，它们能够对文本嵌入进行快速的语义相似性搜索。虽然它们在为上下文响应快速检索相关信息方面具有优势，但也带来了挑战。这些挑战包括复杂的设置、潜在的可扩展性问题以及与存储大量向量相关的显著成本，导致一些人选择SaaS解决方案。
-
Spring AI 支持 LLM 代理的动态工具修剪
开发人员可以通过动态修剪工具定义来优化 LLM 代理性能，而不是填充整个上下文窗口。这种方法涉及在向量数据库中索引工具元数据，并在运行时查询它以仅检索与给定用户提示最相关的工具。通过将一小部分有针对性的工具注入到 LLM 调用中，开发人员可以减少延迟、降低成本并提高准确性，避免幻觉。
-
LLM代理优化检索系统的ANN索引
研究人员开发了一种新颖的LLM引导代理，用于优化检索系统中的近似最近邻（ANN）索引参数。该代理通过将每个建议条件化于完整的优化历史，克服了传统超参数优化方法的局限性，有效地导航了复杂、耦合的参数空间。在HICO-DET人体-物体交互检索基准上进行测试，该代理展示了显著的性能提升，超越现有方法超过33%，并实现了15.3倍的吞吐量增长。
-
语义缓存将大型语言模型成本降低高达73%
语义缓存是一种通过识别和重用对语义相似查询的响应来降低大型语言模型（LLM）应用程序成本和延迟的技术。它不依赖于精确的文本匹配，而是将提示转换为数值向量，并在向量数据库中搜索相似的 past 查询。这种方法可以显著降低大型语言模型的支出并加快响应时间，主要云服务提供商已将其集成到其基础设施中。
-
Milvus向量数据库为AI代理提供动力，RAG技术面临淘汰传言
Milvus向量数据库正成为开发高级AI代理的关键技术，开发者利用它来创建复杂的双记忆系统。与此同时，检索增强生成（RAG）技术可能在2026年过时的说法日益增多。专家认为，向量数据库和新架构将为更智能、更自主的AI代理铺平道路。
-
MERVIN框架增强越南新闻视频事件检索能力
研究人员开发了MERVIN，一个用于越南新闻视频事件检索的统一多模态框架。该系统集成了视觉特征、文字记录和视频摘要，使用Gemini 1.5 Flash提高文字记录质量，并使用感知编码器处理视觉数据。MERVIN在AI Challenge HCMC 2025中取得了高分，在决赛轮成功检索了所有查询结果。
-
Hugging Face 发布支持 32K 上下文的开源多语言嵌入模型
Hugging Face 发布了 Granite Embedding Multilingual R2，这是一系列开源多语言嵌入模型。该系列包括一个拥有 9700 万参数的紧凑型模型，在参数量低于 1 亿的开源模型中检索质量领先；以及一个拥有 3.11 亿参数的更大模型，在参数量低于 5 亿的开源模型中排名第二。这两个模型均支持 200 多种语言，处理 32K token 的上下文窗口，并在九种编程语言的代码检索上进行了训练，全部采用 …
-
ML-Embed框架提供高效、多语言的文本嵌入
研究人员推出ML-Embed，一个旨在创建更具包容性和效率的文本嵌入的新框架。该框架名为3-Dimensional Matryoshka Learning，解决了计算成本问题，将语言覆盖范围扩展到低资源语言，并通过发布所有模型、数据和代码来促进透明度。评估表明，ML-Embed模型在众多基准测试中取得了最先进的结果，尤其是在不太常见的语言方面，为公平的AI发展提供了蓝图。
-
本地文档AI需要OCR、RAG和本地推理
构建一个完全本地化的文档AI系统，需要的不仅仅是在本地机器上运行一个语言模型。它需要一个完整的管道，包括用于文档解析的光学字符识别（OCR）、用于搜索和选择相关信息的检索系统（RAG），以及用于生成响应的本地推理。如果没有强大的OCR和解析能力，检索系统可能无法找到准确的信息，导致本地LLM给出错误的答案。许多被宣传为“本地AI”的系统是不完整的，它们依赖外部服务来完成OCR或嵌入等关键步骤，从而损害了真正的本地运行。
-
RAG 系统解析：使用外部知识增强 LLM
检索增强生成（RAG）是一种通过允许大型语言模型（LLM）在生成响应之前访问和利用外部知识库来增强 LLM 的技术。这种方法通过检索相关信息并用其增强用户查询来解决 LLM 的局限性，例如知识截止日期和上下文窗口限制。RAG 与微调（修改模型行为）不同，它侧重于扩展模型的知识库，而不是改变其核心功能。
-
嵌入维度选择平衡语义搜索准确性与资源成本
嵌入维度决定了表示数据的向量长度，是语义搜索系统的关键超参数。较高的维度可以捕捉更细微的语义，但会增加延迟、存储和计算成本。反之，维度不足可能导致欠拟合，而维度过高则可能引入噪声或过拟合。实际应用通常采用中等维度，如 384–768，以平衡性能和资源利用率。