发布说明
了解 Milvus 新功能！本页面汇总了每个版本中的新功能、改进、已知问题和错误修复。建议您定期访问此页面，了解最新更新。
v3.0-beta
发布日期：2026 年 5 月 9 日
| Milvus 版本 | Python SDK 版本 | Node.js SDK 版本 |
|---|---|---|
| 3.0-beta | 3.0.0 | 3.0.0 |
Milvus 3.0-beta 通过与 Open Lake 生态系统的全新集成扩展了 Milvus 向量数据库：External Collection 使 Milvus 能够零拷贝查询外部 Lake 表，而 Spark 可以通过 Snapshot 直接读取 Milvus Collection。 此版本还带来了更丰富的检索功能、更具表现力的 Schema、更深入的文本搜索定制、更精细的数据和模型生命周期控制，以及更多操作员级别的控制。Milvus 3.0 是 Zilliz Lakebase 的核心内核，为其统一的服务、发现和批处理提供支持。
观看下方视频，深入了解 Milvus 3.0 并参与核心维护者的 AMA 问答：
主要功能
External Collection
在典型的 AI 数据管道中，数 TB 的 Embedding 和元数据通常已作为 Parquet、Lance 或 Iceberg 表存储在对象存储中。将这些数据复制到 Milvus 会使存储成本翻倍，增加必须保持同步的 ETL 管道，并导致数据治理权脱离客户掌控。
外部 Collection 消除了复制需求。Milvus Collection 可直接引用数据原生存储位置，Milvus 仅负责管理 Schema、索引和查询执行。 增量刷新机制确保 Collection 与底层文件保持同步。对于数据无法离开数据湖的客户（如金融和医疗团队），可在数据原地运行向量检索。单个驻留数据湖的数据集也可由多个 Milvus 实例同时提供服务。
如需了解更多信息，请参阅《创建外部 Collection》。
快照
服务和批量发现通常需要同时访问同一个 Collection。A/B 模型评估、大规模去重、回填验证以及版本回滚，在写入仍在进行时，都需要 Collection 的稳定视图。
快照通过引用现有分段而非复制数据，为 Collection 创建一个特定时间点的只读视图，因此边际存储成本接近于零。在 MVCC 风格的隔离机制下，批处理任务可从快照中读取数据，而实时 Collection 则继续接受写入操作。
查询 / 搜索 Order By
搜索和查询现支持多字段排序，排序操作已下推至 Milvus 内核，且可针对每个字段设置ASC /DESC 参数。这解决了生产环境中的常见痛点：当最相似的项并非最便宜、最新或最受欢迎时，仅基于距离的 Top-K 排序往往无法满足业务需求。
应用程序不再需要过度检索结果并在客户端 Reranking 来实现复合排名。
有关更多信息，请参阅《按标量字段排序搜索结果》和《排序查询结果》。
查询聚合
过去，要从 Milvus Collection 中生成租户分布统计、字段完整性计数或版本发布进度，需要将匹配的实体拉回客户端并在那里进行聚合。 Milvus 3.0 将 SQL 风格的标量聚合推入内核。查询调用接受 `group_by_fields ` 以及 `output_fields` 中的聚合表达式，包括 `count(*)`、`count(<field>)`、`sum(<field>)`、`avg(<field>)`、`min(<field>)` 和 `max(<field>)`。聚合在过滤后在服务器端进行评估。
有关更多信息，请参阅聚合查询结果。
空向量
Embedding 通常是异步生成的，因此实体可能在其向量到达之前就已到达。 多模态数据本身也存在天然缺失，例如没有字幕的视频或没有图片的产品。早期版本对此没有好的解决方案：应用程序要么延迟写入直到向量准备就绪，要么填充一个占位符向量，这两种选择都会损害检索质量。
Milvus 3.0 支持所有六种向量类型的向量字段中的 NULL 值。搜索会自动跳过 NULL 向量，检索质量不受影响，且 NULL 向量实际上不占用存储空间。AddField 也扩展到了此变更下的向量字段：通过 `nullable=True`，现有 Collection 可以在不重建的情况下在线扩展新的向量字段。
有关更多信息，请参阅《可为空字段》。
自定义词典与同义词词典
开箱即用的分词器并不总能满足生产环境的搜索质量要求。中文、医学、法律和化学等垂直领域，以及多语言语料库，均可从自定义词典和同义词表中获益匪浅。此前，这些资源主要以应用程序侧的查询重写形式存在。
Milvus 3.0 引入了 FileResource 机制，用于注册自定义分词器词典、同义词表、停用词表以及拆分规则。 资源注册后，可在任何分词器或过滤器中引用，并适用于 BM25、分析器和文本匹配功能。词典和同义词现可进行版本控制并集中管理，不再分散在应用程序代码中。
有关更多信息，请参阅《管理文件资源》。
实体 TTL
对于许多生命周期和合规性场景而言，Collection 级和 Partition 级的 TTL 过于粗略。同一 Collection 内的不同租户通常具有不同的保留规则，且个别实体可能需要按照与 Collection 其余部分不一致的计划过期。
Milvus 3.0 支持按实体设置 TTL。在 Schema 中声明一个 `TIMESTAMPTZ ` 字段，通过 Collection 属性将其标记为 TTL 字段，Milvus 便会自动回收已过期的实体。这涵盖了“被遗忘权”请求、过期的会话数据以及有限的对话历史记录，且无需应用程序端进行清理。
更多信息，请参阅《设置实体级 TTL》。
MinHash DIDO（文档输入、文档输出）
Milvus 2.6 引入了用于 Collection 式近似重复检测的MINHASH_LSH 索引，但应用程序在将数据写入 Milvus 之前仍需计算 MinHash 签名。
Milvus 3.0 引入了服务器端的 MinHash 函数。在 Schema 中声明一个VARCHAR 输入字段和一个BINARY_VECTOR 输出字段，并关联一个FunctionType.MINHASH 函数，Milvus 便会在插入、批量插入和搜索过程中计算签名。结合MINHASH_LSH ，这支持 Milvus 内部针对大型数据集的去重工作流、指纹识别以及抄袭检测。
更多信息，请参阅MinHash 函数。
EmbList + DISKANN
“一个实体 = 一个向量”的假设已不再适用于现代检索。长文档会被拆分为多个片段，ColBERT 等晚期交互模型会为每个令牌生成一个向量，而多模态实体可能包含多种视图。
EmbList 为每个实体存储一个可变长度的向量列表，并以DISKANN 作为磁盘索引。当语料库超过内存预算时，磁盘路径可有效控制 RAM 使用量。EmbList +DISKANN 是本次 RC 版本中更广泛的 StructList 家族的首个变体。 该家族的其余部分，包括 StructList 过滤以及 Muvera / Lemur 多向量加速功能，计划在正式的 3.0 版本中发布。
更多信息请参阅《使用 Embedding 列表进行搜索》。
强制合并
生产工作负载会随着时间的推移积累分段碎片，从而导致查询延迟波动和存储膨胀。
Milvus 3.0 增加了在非高峰时段显式触发分段压缩的功能，支持同步和异步两种模式。
有关更多信息，请参阅强制合并压缩。
Storage V3
Milvus 3.0 引入了 Storage V3，这是一个基于清单的列式存储引擎，其中数据和元数据存储在兼容 S3 的对象存储中。每个数据集版本都被捕获为一个不可变的清单快照，这是一个 Avro 编码的文件，记录了构成该数据集的列组、增量日志和统计信息。
清单是紧凑的 Avro 文件，增量日志记录实体级别的删除操作，而无需重写数据文件。这使得随着数据集的增长，元数据开销得以保持在较低水平。此外，清单将元数据追踪与查询路径解耦，使 Collection 能够管理更多分段，同时不会降低查询性能。
由于状态存储在对象存储中，数据集具有自描述性：任何能够访问存储路径的读取者均可发现并解析数据集，无需依赖中央目录。这一特性为外部 Collection、快照以及未来的湖存储集成提供了基础。