Novedades en Milvus 2.3.2 y 2.3.3
¡Presentamos las versiones 2.3.2 y 2.3.3 de Milvus! Estas últimas versiones traen una gran cantidad de mejoras destinadas a potenciar el rendimiento y la experiencia de usuario de nuestro sistema de base de datos vectorial. Hemos considerado cuidadosamente los comentarios de nuestra comunidad de desarrolladores para realizar estas actualizaciones.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Notas de la versión:
🐳 Imagen de Docker: docker pull
🚀 Versión: milvus-2.3.3
Aspectos destacados clave:
Nuevas funciones
🔍 Soporte para tipos de datos Array - Milvus ahora admite tipos de datos Array, lo que permite un filtrado preciso de metadatos. Por ejemplo, en el comercio electrónico, esto permite búsquedas avanzadas basadas en múltiples etiquetas de productos, garantizando que los resultados de búsqueda sean muy relevantes para las consultas de los usuarios.
🧹 Soporte para expresiones de eliminación complejas - Con Milvus 2.3.2 o 2.3.3, los desarrolladores pueden especificar criterios detallados para la eliminación de datos, lo que permite una limpieza precisa, como la rotación de datos antiguos o la eliminación impulsada por el cumplimiento del GDPR basada en IDs de usuario. Tenga en cuenta que la eliminación no es atómica; úsela con cautela para una gestión precisa de los datos.
🗂️ Integración de TiKV para el almacenamiento de metadatos - Al integrar TiKV para el almacenamiento de metadatos, Milvus obtiene una escalabilidad y estabilidad mejoradas. La arquitectura de TiKV está diseñada para gestionar eficientemente el almacenamiento de metadatos a gran escala, garantizando que Milvus pueda escalar para satisfacer las demandas de conjuntos de datos en crecimiento sin sacrificar la estabilidad.
🌀 Soporte para el tipo de vector FP16 - El soporte de Milvus para el tipo de vector FP16 mejora la eficiencia del aprendizaje automático. Este formato de datos se utiliza ampliamente en aprendizaje profundo y ML por su capacidad para representar y procesar valores numéricos de manera más eficiente, lo que da como resultado operaciones de aprendizaje automático más rápidas y con mayor eficiencia de recursos.
📊 Soporte para MMAP de índice vectorial - Vaya más allá de mapear solo los datos sin procesar 2.3.0; ahora también puede mapear el índice. Esta función le permite almacenar más datos en la misma máquina y proporciona flexibilidad en el almacenamiento de datos mientras ahorra costos.
Mejora
🔄 Experiencia de actualización continua - Milvus ha reforzado su función de actualización continua en las versiones 2.3.2 y 2.3.3, proporcionando una transición optimizada y eficiente para los usuarios que actualizan desde la versión 2.2.15 en menos de 5 minutos.
🚀 Optimización del rendimiento - Minimice las operaciones de copia de datos para optimizar la carga de datos, simplifique las inserciones de gran capacidad utilizando la lectura por lotes de varchar, elimine comprobaciones de offset innecesarias durante el relleno de datos y aborde el alto consumo de CPU en escenarios con inserciones sustanciales de datos.
Además de las mejoras destacadas, Milvus 2.3.2 y 2.3.3 ofrecen una multitud de nuevas funciones y mejoras. Esto incluye un CDC (Change Data Capture) actualizado, ahora capaz de replicar mensajes MQ (Message Queue), lo que permite la sincronización de datos en tiempo real. Los desarrolladores también pueden usar la inserción masiva de datos binlog con claves de partición, agilizando los procesos de ingesta de datos. Además, estas versiones marcan el regreso de los tipos de métricas binarias como SUBSTRUCTURE y SUPERSTRUCTURE, ampliando la gama de opciones de representación de datos. Animamos a los desarrolladores a visitar nuestras notas de la versión para obtener una visión completa de todas las nuevas funciones y mejoras.
Notas finales
Mantenemos firme nuestro compromiso de mejorar continuamente Milvus, alineándonos con las necesidades dinámicas de nuestra comunidad de desarrolladores. Un sincero agradecimiento a nuestra vibrante comunidad de desarrolladores, cuyas contribuciones, PRs y valiosos comentarios han sido fundamentales para dar forma a la hoja de ruta de Milvus. Estamos ansiosos por ver cómo estas actualizaciones se integran sin problemas en sus proyectos de desarrollo y esperamos sus comentarios. ¡Sigan programando, innovando y dando forma al futuro de la IA! 🤖🧠
Sigue leyendo
Introducing Customer-Managed Encryption Keys (CMEK) on Zilliz Cloud
We're announcing the general availability of Customer-Managed Encryption Keys (CMEK) on Zilliz Cloud.
My Wife Wanted Dior. I Spent $600 on Claude Code to Vibe-Code a 2M-Line Database Instead.
Write tests, not code reviews. How a test-first workflow with 6 parallel Claude Code sessions turns a 2M-line C++ codebase into a daily shipping pipeline.
How to Improve Retrieval Quality for Japanese Text with Sudachi, Milvus/Zilliz, and AWS Bedrock
Learn how Sudachi normalization and Milvus/Zilliz hybrid search improve Japanese RAG accuracy with BM25 + vector fusion, AWS Bedrock embeddings, and practical code examples.