Что нового в Milvus 2.4.0?
Мы рады представить Milvus 2.4 — важную веху в нашем стремлении расширить возможности поиска по огромным наборам данных. Эта версия ускоряет эффективность поиска и расширяет наши горизонты в направлении единой поисковой платформы, способной удовлетворять разнообразные сценарии поиска с непревзойденной скоростью и точностью. Наши усилия по поддержке ускоренного и унифицированного поиска отражают нашу приверженность предоставлению надежного, масштабируемого решения для управления векторными данными и выполнения запросов.
📚 Документация: https://milvus.io/docs
🛠️ Примечания к выпуску: https://milvus.io/docs/release_notes.md#240
🐳 Docker Image: docker pull
🚀 Релиз: Milvus-2.4.0
Ключевые особенности
🚀 Поддержка индекса CAGRA — Milvus 2.4 добавляет поддержку NVIDIA’s CAGRA Index, устанавливая новый стандарт в GPU-ускоренной графовой индексации для поисковых приложений, требующих крайне низкой задержки. Превосходя отраслевой стандарт — индекс HNSW, CAGRA демонстрирует исключительную эффективность и скорость даже при небольших размерах пакетов. Его преимущества становятся еще более выраженными при больших пакетах, отвечая требованиям сред с высокой пропускной способностью. Кроме того, Milvus включает варианты поиска полным перебором с CAGRA для сценариев, где необходимо достичь максимально возможной полноты. Разработчики могут изучить документацию, чтобы начать использовать возможности GPU-индекса CAGRA.
Milvus raft cagra vs milvus hnsw
🔍 Мультивекторный поиск — Добавление мультивекторного поиска в Milvus 2.4 улучшает разработку AI-приложений, позволяя управлять несколькими векторными поисками и реранжированием внутри его фреймворка. Это упрощает обработку мультимодального поиска и повышает полноту извлечения информации. Возможность хранить и запрашивать несколько векторов для одной сущности в коллекции упрощает моделирование данных естественным и эффективным для реальных приложений образом. Эта функция также делает интеграцию и оптимизацию пользовательских моделей реранжирования простой, поддерживая разработку продвинутых поисковых возможностей, таких как точные рекомендательные системы, использующие инсайты из многомерных данных.
Как работает функция мультивекторного поиска
🧮 Группирующий поиск — Еще одна важная особенность Milvus 2.4 — функция группирующего поиска, повышающая эффективность использования вычислительных ресурсов и продуктивность разработчиков для сгруппированных поисковых запросов. Эта функция решает проблемы запросов к большим наборам данных, таким как документы или видео, сегментированные на векторизованные фрагменты или кадры. Ранее агрегация результатов поиска по атрибутам была громоздкой, требовала значительных вычислительных ресурсов и сложных обходных решений в коде. Теперь группирующий поиск позволяет выполнять простую агрегацию, давая пользователям возможность получать лучшие результаты непосредственно по сгруппированным полям.
Пример — поиск книг, содержащих "harry potter"
🔮 Поддержка разреженных векторов (бета) — После долгого ожидания в Milvus 2.4 доступна бета-поддержка разреженных векторных эмбеддингов, обеспечивающая эффективный и семантически насыщенный ANN-поиск. Эта функция предназначена для эмбеддингов из нейронных моделей, таких как SPLADEv2, и статистических моделей, таких как BM25, расширяя поисковые возможности за пределы традиционного поиска по ключевым словам за счет фокуса на семантическом сходстве. Запланированный к общедоступному выпуску позже, этот бета-этап направлен на оптимизацию производительности и интеграции в экосистеме Milvus. Он открывает новые возможности для гибридного поиска — объединения стратегий на основе ключевых слов и эмбеддингов — чтобы значительно повысить точность текстового поиска. Идеально подходящая для пользователей, переходящих с систем на основе ключевых слов и стремящихся к повышенной точности поиска без необходимости глубокой настройки, поддержка разреженных векторов продвигает Milvus к более тонким, гибридным методологиям текстового поиска.
⬆️ Другие ключевые улучшения — Milvus 2.4 включает множество других новых функций и улучшений, включая поддержку регулярных выражений для улучшенного сопоставления подстрок при фильтрации метаданных, новый скалярный инвертированный индекс для более эффективной фильтрации скалярных типов данных (благодаря Tantivy) и инструмент Change Data Capture для мониторинга и репликации изменений в коллекциях Milvus. Вместе эти обновления значительно повышают производительность и универсальность Milvus для сложных операций с данными.
Начало работы
Хотите изучить Milvus 2.4.0? Начните с примечаний к выпуску, чтобы получить обзор новых функций и улучшений. Присоединяйтесь к нашему предстоящему вебинару с Джеймсом Луаном, вице-президентом Zilliz по инженерии, для подробного обсуждения возможностей Milvus 2.4.0. Готовы увидеть изменения своими глазами? Скачайте Milvus 2.4.0 и начните интегрировать эти улучшения в свои проекты.
Читать далее
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.
DeepSeek Always Busy? Deploy It Locally with Milvus in Just 10 Minutes—No More Waiting!
Learn how to set up DeepSeek-R1 on your local machine using Ollama, AnythingLLM, and Milvus in just 10 minutes. Bypass busy servers and enhance AI responses with custom data.
DeepSeek vs. OpenAI: A Battle of Innovation in Modern AI
Compare OpenAI's o1 and o3-mini with DeepSeek R1's open-source alternative. Discover which AI model offers the best balance of reasoning capabilities and cost efficiency.