Milvus(@milvusio)

Milvus 3.0 StructArray brings multi-vector search inside a single entity. A video can keep all its ...

8.5内容质量
Milvus 3.0 StructArray brings multi-vector search inside a single entity. A video can keep all its ...

TL;DR · AI 摘要

Milvus 3.0 StructArray 支持多向量搜索，保持元素与父实体关联，提升检索效率。

核心要点

  • StructArray 支持实体级、元素级和相同元素过滤三种检索模式
  • 每个元素可携带独立向量和元数据，无需扁平化存储
  • 兼容 ColBERT 和 ColPali 等后期交互模型

结构提纲

按章节快速跳转。

  1. §StructArray 核心功能

    介绍 StructArray 如何在单个实体内实现多向量存储与搜索。

  2. ·三种检索模式

    详细说明实体级、元素级和相同元素过滤的检索机制。

  3. ›应用场景

    展示视频、文档、产品等场景下的多向量数据管理方案。

  4. ·技术实现

    解释元素与父实体关联的存储结构及向量检索优化方法。

  5. ›性能优势

    对比传统扁平化存储方案的效率提升与上下文保持能力。

  6. ·兼容性扩展

    说明对 ColBERT/ColPali 等模型的后期交互检索支持。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Milvus 3.0 StructArray
    • 核心功能
      • 多向量存储
      • 实体-元素关联
      • 三种检索模式
    • 应用场景
      • 视频分析
      • 文档检索
      • 产品图像搜索
    • 技术特性
      • MaxSim 评分机制
      • ColBERT/ColPali 兼容
      • 上下文保持优化

金句 / Highlights

值得收藏与分享的关键句。

#Milvus#向量数据库#多向量检索#StructArray
打开原文

Milvus on X: "Milvus 3.0 StructArray 将多向量搜索整合到单一实体中。视频可以保留所有片段嵌入，文档可以保留所有段落嵌入，产品可以保留所有图像嵌入——无需将每个元素扁平化为单独的数据库行。每个元素仍与其父级关联，同时携带自身的向量和标量元数据。这实现了三种检索模式：𝟭.𝗘𝗻𝘁𝗶𝘁𝘆-𝗹𝗲𝘃𝗲𝗹 𝗺𝘂𝗹𝘁𝗶-𝘃𝗲𝗰𝘁𝗼𝗿 𝘀𝗲𝗮𝗿𝗰𝗵 EmbeddingList 搜索使用 MaxSim 风格评分，将多向量查询与实体内的所有向量进行对比。𝟮.𝗘𝗹𝗲𝗺𝗲𝗻𝘁-𝗹𝗲𝘃𝗲𝗹 𝘃𝗲𝗰𝘁𝗼𝗿 𝘀𝗲𝗮𝗿𝗰𝗵 搜索单个片段、段落、图像或视觉块。每个结果都会标识父级实体和匹配元素的偏移量。𝟯.𝗦𝗮𝗺𝗲-𝗲𝗹𝗲𝗺𝗲𝗻𝘁 𝗳𝗶𝗹𝘁𝗲𝗿𝗶𝗻𝗴 过滤条件如：scene_type = "kitchen" AND confidence > 0.8 必须匹配同一视频片段——而非视频中的两个不同片段。这些能力共同弥合了元素级相关性和实体级结果之间的鸿沟：单个片段、段落或产品图像可以触发匹配，而应用返回完整的视频、文档或产品。StructArray 使局部证据在不丢失父级上下文的情况下可被搜索。它还支持 ColBERT 和 ColPali 等模型的晚期交互检索，其中单个实体由多个标记或视觉块向量表示。阅读技术深潜：

milvus.io/blog/milvus-3-…

3:52 PM · Aug 27, 2026

441

Views

3

4