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 Named "Highest Performer" and "Easiest to Use" in G2's Summer 2025 Grid® Report for Vector Databases
Zilliz shines in G2's Summer 2025 Grid® Report as both "Highest Performer" and "Easiest to Use," solving the performance-usability dilemma.
What Exactly Are AI Agents? Why OpenAI and LangChain Are Fighting Over Their Definition?
AI agents are software programs powered by AI that can perceive their environment, make decisions, and take actions to achieve a goal—often autonomously.
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.