Что нового в Milvus 2.2.10 и 2.2.11
Мы рады объявить о выпуске Milvus версий 2.2.10 и 2.2.11! Эти последние версии содержат множество улучшений, которые значительно повышают функциональность продукта и удобство работы пользователей. Мы учли отзывы нашего сообщества пользователей и внесли обновления, чтобы еще больше улучшить производительность и пользовательский опыт! В этом посте блога мы расскажем о некоторых наиболее заметных функциях. Полный список изменений смотрите в примечаниях к выпуску.
📦 PyPI: https://pypi.org/project/milvus/
📚 Документация: https://milvus.io/docs
🛠️ Примечания к выпуску:
🐳 Образ Docker: docker pull
🚀 Выпуск: milvus-2.2.11
Мы постоянно совершенствуем RBAC, чтобы расширить функции безопасности в различных аспектах системы. В версии 2.2.10 мы добавили функцию 'FlushAll' и Database API в возможности RBAC. Эти обновления обеспечивают улучшенный контроль над разрешениями и доступом к чувствительным операциям, в конечном итоге повышая общую безопасность системы.
Кроме того, в обеих версиях, 2.2.10 и 2.2.11, было внедрено несколько оптимизаций и обновлений. В частности, в версии 2.2.11 мы оптимизировали использование дискового пространства для RocksMq, включив сжатие zstd начиная с уровня 2. Это улучшение значительно повышает эффективность хранения. Кроме того, в версии 2.2.10 мы внесли важное улучшение, заменив CGO payload writer на Go payload writer. Это изменение снизило использование памяти, что привело к улучшению производительности и стабильности системы.
Обратите внимание, что в выпусках Milvus 2.2.10 и 2.2.1 есть несколько исправлений ошибок и улучшений производительности, поэтому ознакомьтесь с примечаниями к выпуску, чтобы узнать больше.
Краткое содержание
Помимо всех функций, перечисленных выше, Milvus 2.2.10 и 2.2.11 включают несколько исправлений ошибок и улучшений. Чтобы узнать больше:
Смотрите примечания к выпуску для версии 2.2.10 и версии 2.2.11, чтобы ознакомиться с полным списком изменений Скачайте Milvus и приступайте к работе.
Читать далее

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.

We spent 8 years making vector databases faster. Then we stopped.
Rarely queried embeddings still need to stay searchable. See how Vector Lakebase enables on-demand vector search without always-on compute costs.

How to Build an Enterprise-Ready RAG Pipeline on AWS with Bedrock, Zilliz Cloud, and LangChain
Build production-ready enterprise RAG with AWS Bedrock, Nova models, Zilliz Cloud, and LangChain. Complete tutorial with deployable code.


