¿Qué hay de nuevo en Milvus 2.4.0?
Nos complace anunciar Milvus 2.4, un hito en nuestra misión de mejorar las capacidades de búsqueda para conjuntos de datos enormes. Esta versión acelera la eficiencia de búsqueda y amplía nuestros horizontes hacia una plataforma de búsqueda unificada capaz de satisfacer diversos casos de uso de búsqueda con una velocidad y precisión incomparables. Nuestros esfuerzos por respaldar la búsqueda acelerada y unificada reflejan nuestra dedicación a ofrecer una solución robusta y escalable de gestión y consulta de datos vectoriales.
📚 Docs: https://milvus.io/docs
🛠️ Release Notes: https://milvus.io/docs/release_notes.md#240
🐳 Docker Image: docker pull
🚀 Release: Milvus-2.4.0
Aspectos destacados clave
🚀 Compatibilidad con el índice CAGRA — Milvus 2.4 introduce compatibilidad con el índice CAGRA de NVIDIA, estableciendo un nuevo estándar en la indexación de grafos acelerada por GPU para aplicaciones de búsqueda que requieren una latencia extremadamente baja. Al superar al índice HNSW estándar de la industria, CAGRA demuestra una eficiencia y velocidad excepcionales, incluso para tamaños de lote pequeños. Sus ventajas se vuelven aún más pronunciadas con lotes más grandes, satisfaciendo los requisitos de entornos de alto rendimiento. Además, Milvus incorpora opciones de búsqueda por fuerza bruta con CAGRA para casos de uso en los que lograr la mayor recuperación posible es esencial. Los desarrolladores pueden explorar la documentación para comenzar a aprovechar las capacidades del índice CAGRA GPU.
Milvus raft cagra vs milvus hnsw
🔍 Búsqueda multivectorial — La incorporación de la búsqueda multivectorial en Milvus 2.4 mejora el desarrollo de aplicaciones de IA al permitir la gestión de múltiples búsquedas vectoriales y reranking dentro de su framework. Esto simplifica el manejo de búsquedas multimodales y mejora la recuperación de información. La capacidad de almacenar y consultar múltiples vectores para una sola entidad dentro de una colección facilita modelar los datos de una manera natural y eficiente para aplicaciones del mundo real. Esta función también hace que la integración y optimización de modelos personalizados reranked sea sencilla, respaldando el desarrollo de funcionalidades de búsqueda avanzadas, como sistemas de recomendación precisos que aprovechan conocimientos de datos multidimensionales.
Cómo funciona la función de búsqueda multivectorial
🧮 Búsqueda agrupada — Otro aspecto destacado de Milvus 2.4 es la función de búsqueda agrupada, que mejora la eficiencia en los recursos de cómputo y la productividad de los desarrolladores para consultas de búsqueda agrupadas. Esta función aborda los desafíos de consultar grandes conjuntos de datos, como documentos o videos segmentados en fragmentos o fotogramas vectorizados. Anteriormente, agregar resultados de búsqueda por atributos era engorroso, requería amplios recursos de cómputo y soluciones alternativas de codificación complejas. Ahora, la búsqueda agrupada permite una agregación sencilla, lo que permite a los usuarios recuperar los resultados principales por los campos agrupados directamente.
Ejemplo: buscar libros que contienen "harry potter"
🔮 Compatibilidad con vectores dispersos (beta) — Con mucha expectación, la compatibilidad beta con embeddings de vectores dispersos está disponible en Milvus 2.4, lo que permite búsquedas ANN eficientes y semánticamente ricas. Esta función está diseñada para embeddings de modelos neuronales como SPLADEv2 y modelos estadísticos como BM25, mejorando las capacidades de búsqueda más allá de las búsquedas tradicionales por palabras clave al centrarse en la similitud semántica. Prevista para disponibilidad general más adelante, esta fase beta tiene como objetivo optimizar el rendimiento y la integración dentro del ecosistema de Milvus. Abre nuevas vías para la búsqueda híbrida —fusionando estrategias de palabras clave y embeddings— para aumentar significativamente la precisión de la búsqueda de texto. Ideal para usuarios que migran desde sistemas basados en palabras clave y buscan una mayor precisión de búsqueda sin necesidad de una personalización profunda, la compatibilidad con vectores dispersos impulsa a Milvus hacia metodologías de búsqueda de texto híbridas y más matizadas.
⬆️ Otras mejoras clave — Milvus 2.4 trae muchas otras funciones y mejoras nuevas, incluida la compatibilidad con expresiones regulares para una coincidencia mejorada de subcadenas en el filtrado de metadatos, un nuevo índice invertido escalar para un filtrado más eficiente de tipos de datos escalares (gracias a Tantivy) y una herramienta de captura de datos de cambios para supervisar y replicar cambios en las colecciones de Milvus. En conjunto, estas actualizaciones aumentan significativamente el rendimiento y la versatilidad de Milvus para operaciones de datos complejas.
Primeros pasos
¿Te interesa explorar Milvus 2.4.0? Empieza con las notas de la versión para obtener una visión general de las nuevas funciones y mejoras. Únete a nuestro próximo seminario web con James Luan, vicepresidente de ingeniería de Zilliz, para una discusión en profundidad sobre las capacidades de Milvus 2.4.0. ¿Listo para ver los cambios de primera mano? Descarga Milvus 2.4.0 y empieza a integrar estas mejoras en tus proyectos.
Sigue leyendo
Zilliz Cloud Now Available in AWS Asia Pacific (Seoul)
Zilliz Cloud is now available in AWS Seoul — low-latency vector search, in-country data residency, and one-step migration for Korean AI teams. 31 regions across 5 clouds.
Zilliz Named "Highest Performer" and "Easiest to Use" in G2's Summer 2025 Grid® Report for Vector Databases
Zilliz shines in G2's Summer 2025 Grid® Report as both "Highest Performer" and "Easiest to Use," solving the performance-usability dilemma.
Vector Databases vs. Time Series Databases
Use a vector database for similarity search and semantic relationships; use a time series database for tracking value changes over time.