O que há de novo no Milvus 2.2.3
Temos orgulho em anunciar o lançamento do Milvus 2.2.3 em nome da comunidade Milvus. A versão 2.2.3 contém alguns novos recursos e muitas melhorias. Esta publicação do blog destacará alguns dos recursos mais importantes. Para obter uma lista completa das alterações, consulte as notas de versão.
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 Documentação: https://milvus.io/docs
- 🛠️ Notas de versão: https://milvus.io/docs/release_notes.md#223
- 🐳 Imagem Docker: docker pull milvusdb/milvus
- 🚀 Lançamento: https://github.com/milvus-io/milvus/releases/tag/v2.2.3
Um dos destaques desta versão é a introdução do suporte a Rolling Upgrade, uma capacidade essencial de sistemas de alta disponibilidade. Uma atualização contínua permite que você atualize o Milvus sem interrupção perceptível do serviço e com tempo de inatividade mínimo. Novamente, em linha com o tema de HA, esta versão inclui o recurso de Alta Disponibilidade (HA) do Coordinator para permitir que os coordinators do Milvus funcionem em modo ativo-standby e garantam um curto tempo de recuperação de falhas de no máximo 30 segundos.
Além disso, várias melhorias foram adicionadas aos seguintes recursos:
- Inserção em massa
- Redução do uso de memória
- Otimização das métricas de monitoramento
- Melhorias de desempenho para o armazenamento de Meta
Observe que o Milvus 2.2.3 também incluiu uma alteração incompatível, em que o número máximo de campos em uma coleção foi reduzido de 256 para 64 (#22030).
Resumo Além de todos os recursos listados acima, o Milvus 2.2.3 inclui várias correções de bugs e melhorias. Para saber mais:
Continue lendo

Zilliz Cloud Delivers Better Performance and Lower Costs with Arm Neoverse-based AWS Graviton
Zilliz Cloud adopts Arm-based AWS Graviton3 CPUs to cut costs, speed up AI vector search, and power billion-scale RAG and semantic search workloads.

Introducing Zilliz MCP Server: Natural Language Access to Your Vector Database
Developers can easily manage and query vector databases with natural language via Zilliz MCP Server in AI-native environments.

Vector Databases vs. Spatial Databases
Use a vector database for AI-powered similarity search; use a spatial database for geographic and geometric data analysis and querying.



