Nouveautés de Milvus 2.2.3
Nous sommes fiers d’annoncer la sortie de Milvus 2.2.3 au nom de la communauté Milvus. La version 2.2.3 contient quelques nouvelles fonctionnalités et de nombreuses améliorations. Cet article de blog mettra en lumière certaines des fonctionnalités les plus importantes. Pour une liste complète des changements, consultez les notes de version.
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 Docs: https://milvus.io/docs
- 🛠️ Notes de version: https://milvus.io/docs/release_notes.md#223
- 🐳 Image Docker: docker pull milvusdb/milvus
- 🚀 Version: https://github.com/milvus-io/milvus/releases/tag/v2.2.3
L’un des points forts de cette version est l’introduction de la prise en charge de la mise à niveau progressive, une capacité essentielle des systèmes à haute disponibilité. Une mise à niveau progressive vous permet de mettre à niveau Milvus sans interruption de service notable et avec un temps d’arrêt minimal. Toujours en lien avec le thème de la HA, cette version inclut la fonctionnalité de haute disponibilité (HA) des coordinateurs afin de permettre aux coordinateurs Milvus de fonctionner en mode actif-veille et de garantir un court délai de reprise après défaillance ne dépassant pas 30 secondes.
En outre, plusieurs améliorations ont été apportées aux fonctionnalités suivantes:
- Insertion en masse
- Réduction de l’utilisation de la mémoire
- Optimisation des métriques de surveillance
- Améliorations des performances pour le stockage Meta
Veuillez noter que Milvus 2.2.3 inclut également un changement incompatible où le nombre maximal de champs dans une collection a été réduit de 256 à 64 (#22030).
Résumé En plus de toutes les fonctionnalités énumérées ci-dessus, Milvus 2.2.3 inclut plusieurs corrections de bugs et améliorations. Pour en savoir plus:
Continuer à lire
VDBBench Adds Cost-Aware Benchmarking for Vector Databases
Compare Zilliz Cloud, Pinecone, and turbopuffer with VDBBench cost-aware vector database benchmarks across latency, freshness, multitenancy, and cold starts.
Our Journey to 35K+ GitHub Stars: The Real Story of Building Milvus from Scratch
Join us in celebrating Milvus, the vector database that hit 35.5K stars on GitHub. Discover our story and how we’re making AI solutions easier for developers.
3 Key Patterns to Building Multimodal RAG: A Comprehensive Guide
These multimodal RAG patterns include grounding all modalities into a primary modality, embedding them into a unified vector space, or employing hybrid retrieval with raw data access.