Что нового в Milvus 2.3.4
В последнем обновлении, Milvus 2.3.4, мы рады представить несколько улучшений, повышающих доступность и удобство использования нашей платформы векторных баз данных. Ориентируясь на разработчиков, этот выпуск сосредоточен на упрощении мониторинга, импорта данных и эффективности поиска.
📦 PyPI: https://pypi.org/project/milvus/
📚 Документация: https://milvus.io/docs
🛠️ Примечания к выпуску: https://milvus.io/docs/release_notes.md#234
🐳 Docker Image: docker pull
🚀 Выпуск: Milvus-2.3.4
Ключевые моменты
📓Журналы доступа - Добавление журналов доступа в Milvus 2.3.4 знаменует собой шаг вперед в наших возможностях мониторинга. Эта функция записывает подробную информацию о взаимодействиях с внешними интерфейсами, такую как названия методов, пользовательские запросы, время ответа и коды ошибок. Она особенно полезна для разработчиков и системных администраторов, которым нужны более глубокие сведения о производительности системы и взаимодействиях пользователей. Эти журналы играют важную роль в диагностике проблем, тонкой настройке производительности и повышении надежности системы. В настоящее время они доступны для интерфейсов gRPC, и мы планируем расширить эту функцию в будущих обновлениях.
🗂️Поддержка файлов Parquet - Milvus 2.3.4 теперь поддерживает импорт файлов Parquet, расширяя наши возможности обработки данных. Эффективный колоночный формат хранения Parquet идеально подходит для операций с данными большого масштаба, часто обеспечивая лучшее сжатие и повышенную производительность запросов по сравнению со строковыми форматами, такими как JSON, особенно при работе со сложными и большими наборами данных. Его способность обрабатывать широкий спектр типов данных, включая вложенные и сложные структуры, предоставляет разработчикам универсальный инструмент для управления разнообразными источниками данных. Эта функция призвана дать разработчикам больше возможностей для эффективного и результативного управления данными в Milvus.
📖Индекс Binlog для растущих сегментов - Одной из заметных функций Milvus 2.3.4 является введение индекса Binlog для растущих сегментов. Это улучшение повышает эффективность поиска, позволяя использовать передовые методы индексирования, такие как IVF или Fast Scann, в растущих сегментах Milvus. Оно особенно ценно, когда наборы данных быстро расширяются, обеспечивая соответствие производительности поиска темпам роста данных. В результате поиск в растущих сегментах теперь выполняется в 10 раз быстрее, улучшая пользовательский опыт и снижая задержки.
⬆️Другие улучшения: Milvus 2.3.4 включает в этом выпуске ряд улучшений по всей платформе. Мы расширили поддержку коллекций/разделов с 4096 до 10 000, что соответствует потребностям сложных мультитенантных сред. Кроме того, это обновление приносит повышенную эффективность использования памяти, более понятные сообщения об ошибках, более высокую скорость загрузки данных и улучшенный баланс шардов запросов, обеспечивая более плавный и эффективный общий опыт.
Мы рекомендуем разработчикам посетить наши примечания к выпуску, чтобы получить подробный обзор всех новых функций и улучшений в Milvus 2.3.4.
Заключительные заметки
С Milvus 2.3.4 наше движение вперед в развитии технологии векторных баз данных продолжается. Это обновление приносит продуманные улучшения, адаптированные к повседневным потребностям разработчиков. От улучшенных возможностей поиска до надежных вариантов импорта данных — эти инструменты созданы для того, чтобы улучшить ваш опыт работы с Milvus 🛠️. Нам интересно увидеть, как эти постепенные улучшения помогут вашим проектам в области векторных баз данных. Давайте продолжать внедрять инновации и расширять границы возможного 🚀🌐.
Читать далее
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.
How to Install and Run OpenClaw (Previously Clawdbot/Moltbot) on Mac
Turn your Mac into an AI gateway for WhatsApp, Telegram, Discord, iMessage, and more — in under 5 minutes.
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.