Novità in Milvus 2.3
Siamo entusiasti di annunciare il rilascio di Milvus 2.3.0. Questa release contiene molte nuove funzionalità e miglioramenti entusiasmanti. Questo post del blog metterà in evidenza alcune delle funzionalità più importanti. Per un elenco completo delle modifiche, assicurati di consultare le note di rilascio.
📦 PyPI: https://pypi.org/project/milvus/
📚 Documentazione: https://milvus.io/docs
🛠️ Note di rilascio: https://milvus.io/docs/release_notes.md#v230
🐳 Immagine Docker: docker pull
🚀 Release: milvus-2.3.0
🖥️ Aggiornamenti computazionali con GPU e ARM64:
Indicizzazione GPU tramite Nvidia: Il QPS è migliorato di oltre tre volte rispetto alla precedente indicizzazione HNSW su CPU. Per i dataset a elevata intensità computazionale, si registra un aumento delle prestazioni di quasi dieci volte.
Immagine Docker ARM64: Le CPU ARM offrono un incremento delle prestazioni del 20% pur essendo il 20% più convenienti in termini di costi.
🔎 Miglioramenti della ricerca e dell’indicizzazione:
Range Search: Un meccanismo di ricerca più granulare che consente il recupero vettoriale in base a distanze definite da un vettore di input, rendendo più intuitivi i recuperi di dati basati sulla prossimità.
Integrazione dell’indice ScaNN: Rispetto a HNSW o IVFFlat, l’indice ScaNN offre un miglioramento delle prestazioni del 20% ed è sette volte più veloce di IVFFlat.
Growing Index: Man mano che i dati vengono trasmessi, Milvus 2.3 li indicizza in tempo reale, garantendo esecuzioni delle query più rapide.
🔀 Strumenti per pipeline di dati:
Iterator in Pymilvus: Consente l’esportazione in batch di grandi quantità di vettori, particolarmente utile quando si gestiscono dati nell’ordine delle decine di migliaia.
Operazione Upsert: Aggiornamento o inserimento simultaneo di dati in una singola richiesta, semplificando la gestione dei dati e migliorando l’efficienza.
Supporto CDC: Facilita la sincronizzazione dei dati tra data center, consente backup incrementali e assicura una migrazione dei dati fluida.
Abbiamo anche migliorato l’operatività del sistema, il bilanciamento del carico e le prestazioni delle query. Sono stati risolti diversi bug e abbiamo ottimizzato componenti fondamentali come il ‘QueryNode’. Il nostro sistema di code di messaggi è stato riprogettato per una maggiore efficienza. Inoltre, strumenti come Birdwatcher e Attu sono stati aggiornati per una migliore funzionalità. Consulta le note di rilascio di Milvus 2.3 per una panoramica completa.
Note finali:
Un grande grazie alla nostra community di sviluppatori. I vostri contributi, PR e feedback hanno plasmato Milvus 2.3. Siamo impazienti di vedere come integrerete questi aggiornamenti e attendiamo i vostri continui feedback. Continuate a programmare! 🖥️🔧
Continua a leggere
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
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.
Legal Document Analysis: Harnessing Zilliz Cloud's Semantic Search and RAG for Legal Insights
Enhance legal document analysis with Zilliz Cloud’s Semantic Search and RAG. Improve accuracy, efficiency, and scalability for contracts, case law, and compliance.