Novidades na versão 2.2.5 do Milvus
O que há de novo no Milvus versão 2.2.5
Temos o orgulho de anunciar o lançamento do Milvus 2.2.5 em nome da comunidade Milvus. A versão 2.2.5 contém alguns novos recursos e muitas melhorias. Esta postagem no blog destacará alguns dos recursos mais importantes. Para uma lista completa de alterações, confira as notas de versão.
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 Docs: https://milvus.io/docs
- 🛠️ Notas de versão: https://milvus.io/docs/release_notes.md#225
- 🐳 Imagem Docker: docker pull
- 🚀 Lançamento: https://github.com/milvus-io/milvus/releases/tag/v2.2.5
Um dos destaques desta versão é a aplicação de uma correção de segurança para o MinIO (MinIO CVE-2023-28432) por meio da atualização para a versão mais recente do MinIO (RELEASE.2023-03-20T20-16-18Z). Além disso, foram adicionadas várias melhorias, incluindo o seguinte recurso:
- Política de seleção de réplica First/Random — Esta política de seleção de réplica First/Random seleciona réplicas de forma round-robin. Se a primeira réplica escolhida falhar, a política selecionará aleatoriamente outra réplica para a operação, melhorando a taxa de transferência ao reduzir o tempo necessário para a conclusão.
Observe que há várias correções de bugs e melhorias de desempenho na versão 2.2.5 do Milvus, então confira as notas de versão para mais detalhes.
Resumo
Além de todos os recursos listados acima, o Milvus 2.2.5 inclui várias correções de bugs e melhorias. Para saber mais:
Consulte as notas de versão da versão 2.2.5 para a lista completa de alterações Baixe o Milvus e comece
Continue lendo

Top 10 Context Engineering Techniques You Should Know for Production RAG
A practical guide to context engineering for production LLM systems, covering RAG, context processing, memory, agents, and multimodal context.

Introducing Business Critical Plan: Enterprise-Grade Security and Compliance for Mission-Critical AI Applications
Discover Zilliz Cloud’s Business Critical Plan—offering advanced security, compliance, and uptime for mission-critical AI and vector database workloads.

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.



