O que há de novo no Milvus 2.4.0?
Estamos entusiasmados em apresentar o Milvus 2.4, um marco em nossa busca para aprimorar os recursos de busca em vastos conjuntos de dados. Esta versão acelera a eficiência da busca e amplia nossos horizontes rumo a uma plataforma de busca unificada capaz de atender a diversos casos de uso de busca com velocidade e precisão incomparáveis. Nossos esforços para oferecer suporte à busca acelerada e unificada refletem nossa dedicação em entregar uma solução robusta e escalável de gerenciamento e consulta de dados vetoriais.
📚 Docs: https://milvus.io/docs
🛠️ Notas da versão: https://milvus.io/docs/release_notes.md#240
🐳 Imagem Docker: docker pull
🚀 Versão: Milvus-2.4.0
Principais destaques
🚀 Suporte ao índice CAGRA — O Milvus 2.4 apresenta suporte ao índice CAGRA da NVIDIA, estabelecendo um novo padrão em indexação de grafos acelerada por GPU para aplicações de busca que exigem latência extremamente baixa. Superando o índice HNSW, padrão do setor, o CAGRA demonstra eficiência e velocidade excepcionais, mesmo para tamanhos de lote pequenos. Suas vantagens tornam-se ainda mais pronunciadas com lotes maiores, atendendo aos requisitos de ambientes de alta taxa de transferência. Além disso, o Milvus incorpora opções de busca por força bruta com CAGRA para casos de uso em que alcançar o maior recall possível é essencial. Desenvolvedores podem explorar a documentação para começar a aproveitar os recursos do índice GPU CAGRA.
Milvus raft cagra vs milvus hnsw
🔍 Busca multivetorial — A adição da Busca multivetorial no Milvus 2.4 aprimora o desenvolvimento de aplicações de IA ao permitir o gerenciamento de múltiplas buscas vetoriais e reranking dentro de sua estrutura. Isso simplifica o tratamento de buscas multimodais e melhora o recall na recuperação de informações. A capacidade de armazenar e consultar múltiplos vetores para uma única entidade dentro de uma coleção facilita modelar dados de uma forma natural e eficiente para aplicações do mundo real. Esse recurso também torna simples integrar e otimizar modelos reranqueados personalizados, apoiando o desenvolvimento de funcionalidades avançadas de busca, como sistemas de recomendação precisos que aproveitam insights de dados multidimensionais.
Como funciona o recurso de busca multivetorial
🧮 Busca por agrupamento — Outro destaque do Milvus 2.4 é o recurso de Busca por agrupamento, que aumenta a eficiência no uso de recursos computacionais e a produtividade dos desenvolvedores para consultas de busca agrupadas. Esse recurso aborda os desafios de consultar grandes conjuntos de dados, como documentos ou vídeos segmentados em trechos ou quadros vetorizados. Anteriormente, agregar resultados de busca por atributos era trabalhoso, exigindo extensos recursos computacionais e soluções alternativas complexas de codificação. Agora, a Busca por agrupamento permite uma agregação direta, possibilitando que os usuários recuperem os principais resultados pelos campos agrupados diretamente.
Exemplo: buscar livros que contêm "harry potter"
🔮 Suporte a Vetores Esparsos (beta) — Com muita expectativa, o suporte beta para embeddings de vetores esparsos está disponível no Milvus 2.4, permitindo buscas ANN eficientes e semanticamente ricas. Este recurso foi projetado para embeddings de modelos neurais como SPLADEv2 e modelos estatísticos como BM25, aprimorando os recursos de busca para além das buscas tradicionais por palavras-chave ao se concentrar na similaridade semântica. Prevista para disponibilidade geral posteriormente, esta fase beta visa otimizar o desempenho e a integração dentro do ecossistema do Milvus. Ela abre novos caminhos para a busca híbrida — mesclando estratégias de palavras-chave e embeddings — para aumentar significativamente a precisão da busca de texto. Ideal para usuários que estão migrando de sistemas baseados em palavras-chave e buscam maior precisão de busca sem a necessidade de personalização profunda, o suporte a vetores esparsos leva o Milvus em direção a metodologias de busca de texto híbridas e mais refinadas.
⬆️ Outras Melhorias Importantes — O Milvus 2.4 traz muitos outros novos recursos e melhorias, incluindo suporte a Expressões Regulares para correspondência aprimorada de substrings na filtragem de metadados, um novo índice invertido escalar para filtragem mais eficiente de tipos de dados escalares (graças ao Tantivy) e uma ferramenta de Captura de Dados de Alterações para monitorar e replicar alterações em coleções do Milvus. Juntas, essas atualizações aumentam significativamente o desempenho e a versatilidade do Milvus para operações complexas de dados.
Primeiros Passos
Interessado em explorar o Milvus 2.4.0? Comece pelas notas de lançamento para obter uma visão geral dos novos recursos e melhorias. Participe do nosso próximo webinar com James Luan, VP de Engenharia da Zilliz, para uma discussão aprofundada sobre os recursos do Milvus 2.4.0. Pronto para ver as mudanças em primeira mão? Baixe o Milvus 2.4.0 e comece a integrar essas melhorias aos seus projetos.
Continue lendo
Vector Lakebase: End the AI Data Silo
Learn how Vector Lakebase unifies vector search, data lakes, and AI data operations so teams can serve RAG and agents without copy-and-sync pipelines.
DeepSeek-OCR Explained: Optical Compression for Scalable Long-Context and RAG Systems
Discover how DeepSeek-OCR uses visual tokens and Contexts Optical Compression to boost long-context LLM efficiency and reshape RAG performance.
Vector Databases vs. Key-Value Databases
Use a vector database for AI-powered similarity search; use a key-value database for high-throughput, low-latency simple data lookups.