Novidades no Milvus 2.2.10 e 2.2.11
Temos o prazer de anunciar o lançamento das versões 2.2.10 e 2.2.11 do Milvus! Essas versões mais recentes vêm carregadas com inúmeras melhorias que aprimoram significativamente a funcionalidade do produto e a experiência do usuário. Incorporamos feedback da nossa comunidade de usuários e fizemos atualizações para aprimorar ainda mais o desempenho e as experiências dos usuários! Esta publicação do blog destacará alguns dos recursos mais proeminentes. Para uma lista completa de alterações, consulte as notas de lançamento.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Notas de lançamento:
🐳 Imagem Docker: docker pull
🚀 Lançamento: milvus-2.2.11
Estamos aprimorando continuamente o RBAC para expandir as funcionalidades de segurança em diferentes aspectos do sistema. Na versão 2.2.10, introduzimos a função 'FlushAll' e a API de Banco de Dados aos recursos do RBAC. Essas atualizações oferecem melhor controle sobre permissões e acesso a operações sensíveis, aprimorando, em última análise, a segurança geral do sistema.
Além disso, ambas as versões, 2.2.10 e 2.2.11, introduziram várias otimizações e atualizações. Notavelmente, na versão 2.2.11, otimizamos o uso de disco para o RocksMq habilitando a compressão zstd a partir do nível 2. Essa melhoria aprimora significativamente a eficiência de armazenamento. Além disso, na versão 2.2.10, fizemos uma grande melhoria ao substituir o gravador de payload CGO por um gravador de payload Go. Essa mudança reduziu o uso de memória, levando a melhor desempenho e estabilidade do sistema.
Observe que há várias correções de bugs e melhorias de desempenho nos lançamentos Milvus 2.2.10 & 2.2.1, portanto confira as notas de lançamento para mais detalhes.
Resumo
Além de todos os recursos listados acima, o Milvus 2.2.10 & 2.2.11 inclui várias correções de bugs e melhorias. Para saber mais:
Veja as notas de lançamento da versão 2.2.10 & versão 2.2.11 para a lista completa de alterações Baixe o Milvus e comece.
Continue lendo
Stop Building AI Data Infra for the Wrong Stage
Learn how AI data infrastructure should evolve from prototype to enterprise scale, and when Vector Lakebase becomes the right architecture for AI apps.
Zilliz Cloud On-Demand Compute: Pay Only for What You Use
The customer case behind Zilliz Cloud On-Demand: how a $10K vector search bill came down to under $500, and the engineering changes that made it possible.
Data Deduplication at Trillion Scale: How to Solve the Biggest Bottleneck of LLM Training
Explore how MinHash LSH and Milvus handle data deduplication at the trillion-scale level, solving key bottlenecks in LLM training for improved AI model performance.