全部 AI 动态 · AI 热点

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月13日

13:28

13:28

Milvus@milvusio

Milvus 和 Zilliz 生态系统推出 Zilliz Birdpedia，用鸟类比喻解释其组件：Milvus 是向量搜索引擎，可扫描千亿级高维向量；Cardinal 是 Zilliz Cloud 的高级向量搜索引擎，在 ANN 搜索、top-K、范围搜索和过滤密集型工作负载上表现优异；Woodpecker 是 Milvus 的云原生 WAL，无需 Kafka 或 Pulsar 即可实现连续写入和故障恢复；Loon 是 Milvus 3.0 和 Zilliz Vector Lakebase 的新存储引擎，支持数据湖中向量数据的版本化读取；Birdwatcher 是监控 Milvus 内部状态的工具。

AI产品 Milvus Zilliz Cardinal Woodpecker 向量搜索

推荐理由：用鸟比喻讲清 Milvus 各组件

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月8日

23:47

23:47

Milvus@milvusio

精选

Milvus 3.0 是该项目自启动以来最大的架构升级，支持直接在数据湖上索引和查询向量，并引入超越 top-K 搜索的查询引擎。今天（6月8日）的线上研讨会由核心维护者 Li Liu 和 Jiang Chen 主讲，内容包括 Milvus 3.0 架构、路线图、如何驱动 Zilliz Vector Lakebase，以及 15-20 分钟的 AMA 环节。该升级解决了向量数据库与数据湖割裂的问题，对构建大规模 AI 基础设施的团队意义重大。

AI产品 Milvus 向量数据库数据湖 Zilliz AI基础设施

推荐理由：做向量搜索或数据湖架构的开发者，这是 Milvus 3.0 架构升级的官方解读，直接听核心维护者讲设计思路和路线图，比看文档更高效。

6月6日

00:48

00:48

Milvus@milvusio

Milvus 3.0 是该项目自启动以来最重要的架构更新，引入了数据湖原生向量索引和查询能力，突破了传统 top-K 搜索限制。核心维护者 Li Liu 和 Jiang Chen 将在 6 月 8 日的网络研讨会上详解设计决策、新特性以及如何驱动 Zilliz Vector Lakebase。研讨会包含 15-20 分钟 AMA 环节，适合构建 RAG、多模态搜索、推荐系统和 AI 智能体记忆的开发者。无法参加直播可注册获取回放。

AI产品 Milvus 向量数据库数据湖 RAG Zilliz

推荐理由：Milvus 3.0 解决了数据孤岛和 schema 演进等痛点，做 RAG 或向量搜索的团队值得关注这次架构升级的细节。

5月31日

01:53

01:53

Milvus@milvusio

精选

Milvus 3.0 beta 发布，这是项目启动以来最大的架构升级，原生支持在数据湖上直接索引和查询向量，并引入超越 top-K 搜索的查询引擎。6 月 8 日线上研讨会将由核心维护者 Li Liu 和 Jiang Chen 讲解设计思路、新特性，以及如何驱动 Zilliz Vector Lakebase。议题包括 3.0 beta 的变化、数据湖原生向量搜索的意义、beta 与 GA 路线图，以及迁移、性能等问答环节。适合关注向量数据库、数据湖架构的开发者与架构师参与。

AI产品 Milvus 向量数据库数据湖架构升级 Zilliz

推荐理由：Milvus 3.0 把向量搜索直接搬到数据湖上，解决了传统向量数据库与数据湖割裂的痛点，做 AI 数据基础设施的团队值得关注这次架构升级的细节。

5月19日

12:41

12:41

Milvus@milvusio

Zilliz 开发者关系负责人 Jiang Chen 在伦敦非结构化数据 Meetup 上，分享了如何在不牺牲搜索质量的前提下降低向量数据库的 serving 成本。他指出，向量搜索昂贵的主因是索引占用大量 RAM 和 NVMe SSD。RaBitQ 算法通过将 float32 向量压缩到每维度 1 bit，并在量化前加入随机旋转来保留更多信息，从而大幅降低内存和存储开销，同时保持低质量损失。该方法适合需要控制基础设施成本的向量搜索场景。

AI产品向量搜索 RaBitQ Zilliz 成本优化索引压缩

推荐理由：向量搜索成本是很多团队的痛点，RaBitQ 用 1-bit 压缩加随机旋转做到了低成本低损耗，做向量数据库选型或优化成本的开发者值得看看这个方案。

5月16日

17:10

17:10

Milvus@milvusio

精选

大多数 AI 团队并非从零开始，已有对象存储、管道、日志等数据。向量搜索引入后，数据重力问题凸显。向量基础设施经历了三代演进：第一代向量数据库解决生产级低延迟语义检索；第二代向量湖将搜索靠近数据但不完整；第三代向量湖库（Vector Lakebase）结合生产级向量服务与湖原生存储及弹性计算，使在线搜索和离线 AI 数据操作基于同一数据源。Zilliz 推出的 Vector Lakebase 旨在让 AI 数据只存一次，多种方式使用。

AI产品向量数据库 Vector Lakebase Zilliz AI基础设施数据重力

推荐理由：做 AI 基础设施的团队终于有了解决数据重力问题的思路——Zilliz 的 Vector Lakebase 让在线搜索和离线分析共用同一份数据，省去同步和索引过期的麻烦，值得关注。