Blog
Novedades en Milvus 2.2.3

Novedades en Milvus 2.2.3

Feb 28, 20231 min read

Nos enorgullece anunciar el lanzamiento de Milvus 2.2.3 en nombre de la comunidad de Milvus. La versión 2.2.3 contiene algunas funciones nuevas y muchas mejoras. Esta publicación de blog destacará algunas de las funciones más importantes. Para obtener una lista completa de cambios, consulta las notas de la versión.

📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Notas de la versión: https://milvus.io/docs/release_notes.md#223
🐳 Imagen de Docker: docker pull milvusdb/milvus
🚀 Lanzamiento: https://github.com/milvus-io/milvus/releases/tag/v2.2.3

Uno de los aspectos más destacados de esta versión es la introducción del soporte para Rolling Upgrade, una capacidad esencial de los sistemas de alta disponibilidad. Una actualización continua te permite actualizar Milvus sin una interrupción perceptible del servicio y con un tiempo de inactividad mínimo. De nuevo, en línea con el tema de HA, esta versión incluye la función Coordinator High Availability (HA) para permitir que los coordinadores de Milvus funcionen en modo activo-en espera y garantizar un tiempo de recuperación ante fallos corto de no más de 30 segundos.

Además, se añadieron varias mejoras a las siguientes funciones:

Bulk-insert
Reducción del uso de memoria
Optimización de métricas de monitoreo
Mejoras de rendimiento para el almacenamiento Meta

Ten en cuenta que Milvus 2.2.3 también incluyó un cambio incompatible donde el número máximo de campos en una colección se redujo de 256 a 64 (#22030).

Resumen Además de todas las funciones enumeradas anteriormente, Milvus 2.2.3 incluye varias correcciones de errores y mejoras. Para obtener más información:

Consulta las notas de la versión 2.2.3 para ver la lista completa de cambios
Descarga Milvus y comienza

Actualizado el Sep 16, 2026

Chris Churilo
Chris Churilo is the VP of Marketing & Community at Zilliz where she leads all community, developer relations, and marketing efforts. Prior to Zilliz, Chris was a founding member of the InfluxData’s go to market efforts and helped propel the time series database platform to dominance in the market. In earlier roles she defined and designed a SaaS monitoring solution at Centroid, and prior to that she was the VP of product management at iPass and was the LOB for several cloud services that required her to track the business and operational metrics and analytics to help identify and resolve issues.

Sigue leyendo

Why We Built Vector Lakebase: Rethinking Unstructured Data Architecture for AI

Vector Lakebase: a unified, lake-native data foundation for AI workloads — and an answer to what happens after vector databases succeed.

DeepSeek-OCR Explained: Optical Compression for Scalable Long-Context and RAG Systems

Discover how DeepSeek-OCR uses visual tokens and Contexts Optical Compression to boost long-context LLM efficiency and reshape RAG performance.

Balancing Precision and Performance: How Zilliz Cloud's New Parameters Help You Optimize Vector Search

Optimize vector search with Zilliz Cloud’s level and recall features to tune accuracy, balance performance, and power AI applications.