Weaviate 1.40 Release

Weaviate 1.40 版本发布 | Weaviate

Weaviate v1.40 现已作为开源版本和 Weaviate Cloud 服务上线。

本次发布有两个功能达到通用可用状态：删除命名向量，可释放未使用向量占用的磁盘和索引内存；以及 4 位旋转量化。另外新增两个功能：HFresh 索引现在通过 MUVERA 支持多向量嵌入，PathSeer 作为第三种过滤策略加入 ACORN 和 sweeping。本文还介绍了 Search REST API 的更新情况，该 API 在 1.39 版本迭代中发生了重大变化。同时说明了向量配置默认值的破坏性变更，升级前需要特别注意。

以下是本次版本亮点：

• 删除命名向量 - 通用可用
• 4 位旋转量化 - 通用可用
• HFresh 通过 MUVERA 支持多向量嵌入
• PathSeer 过滤策略
• Search REST API（预览版）
• 向量配置默认值（破坏性变更）
• 性能优化与修复
• 社区贡献
• 总结

破坏性变更

如果服务器设置了 DEFAULT_VECTORIZER_MODULE，在升级前请阅读《向量配置默认值》文档。

删除命名向量 - 通用可用

随着时间推移，集合会积累越来越多向量。您可能添加过某个命名向量尝试新嵌入模型，但新模型胜出后，旧向量仍会保留在每个对象、每个分片中，占用磁盘和索引内存。直到现在，唯一解决方案是重新创建集合并重新导入所有数据。

v1.40 版本正式推出删除向量索引接口。该功能自 v1.37 版本起作为实验性功能存在（默认关闭），在 v1.40 版本中默认启用。

删除操作会清除向量索引，并从所有对象中移除其嵌入。集合的其他命名向量和所有对象数据保持不变。

删除操作不可逆

要恢复该向量，需重新添加并重新向量化或重新导入对象。

实现方式

使用 Python 客户端（4.24.0 或更高版本），通过以下方式调用删除向量索引接口：

articles = client.collections.use("Article")
articles.config.delete_vector_index("body_vector")

通过 REST 接口只需一个 DELETE 请求：

curl -X DELETE \
http://localhost:8080/v1/schema/Article/vectors/body_vector/index

Weaviate 接收删除请求后会立即返回响应。清理操作在后台按分片逐步执行，并在重启后从中断处继续。

清理过程中，该向量仍会显示在集合定义中，指向它的写入操作会被拒绝。批量处理时，仅包含已删除向量的对象会失败。当向量从定义中完全消失时，删除操作才算完成。

其他注意事项：

• 权限要求：需要对集合及其数据对象拥有更新权限，因为删除操作会重写所有对象。
• 未激活租户：未激活的租户会阻塞清理进程，直到其被激活并被后续清理轮次处理。
• 重用名称：删除完成后，可以使用相同名称重新添加向量，即使维度不同。新索引将从空状态开始。
• 最后一个向量：删除唯一向量会使集合不再包含任何向量，但对象和属性数据仍会保留。

Python 客户端率先封装了该接口。其他语言可通过 REST 接口直接调用。

相关资源

• 指南：管理集合 - 删除命名向量
• 参考：RESTful API - Schema

4 位旋转量化 - 正式发布

4 位旋转量化（Rotational Quantization，简称 RQ）在 v1.39 版本中作为预览功能推出，现已正式发布。RQ 通过旋转向量并以小整数代替 32 位浮点数的方式对向量进行压缩。在 4 位精度下，两个维度可存储在一个字节中。

这些数据与预览版保持一致。一个 1536 维向量占用 784 字节（16 字节的头部信息 + 768 字节的编码数据），而原始 float32 格式需要 6144 字节。压缩后体积缩小至原来的 1/7.84。

配置方式与预览版相同。在 HNSW 索引中设置 rq.bits = 4：

from
weaviate
.
classes
.
config
import
Configure
client
.
collections
.
create
(
"Doc"
,
vector_config
=
Configure
.
Vectors
.
self_provided
(
name
=
"default"
,
vector_index_config
=
Configure
.
VectorIndex
.
hnsw
(
quantizer
=
Configure
.
VectorIndex
.
Quantizer
.
rq
(
bits
=
4
)
,
)
,
)
,
)

一旦在向量上首次启用 RQ，位数将被固定，因此在创建集合时需确定宽度。默认的 rescoreLimit 值 20 保持不变。

管理员可通过设置 DEFAULT_QUANTIZATION=rq-4，使所有新 HNSW 索引默认使用 4 位量化。4 位量化仅适用于 HNSW 索引，Flat 索引及动态索引的 Flat 侧支持 1 位和 8 位 RQ。

关于技术实现细节，包括 SIMD 优化与其他 4 位方案的对比，请参阅《4 位旋转量化深度解析》。

• 概念：向量量化 - 旋转量化
• 指南：压缩 - 4 位 RQ
• 博客：4 位旋转量化

HFresh 上的多向量嵌入与 MUVERA

HFresh 是 Weaviate 的基于磁盘的向量索引。它在内存中维护一个小型聚类中心索引，将压缩后的向量存储在磁盘上，因此内存占用远低于 HNSW。此前每个对象仅支持存储一个向量。

ColBERT 和 ColPali 等晚期交互模型会生成多向量嵌入：每个 token 或图像块对应一个向量，而非每个对象对应一个向量。这类模型排序效果良好，但一页文本可能生成数百个向量，这种数据形式会对内存造成压力。在 v1.40 版本中，HFresh 支持此类多向量嵌入的索引。

需满足一个条件：在 HFresh 上，多向量嵌入需要 MUVERA 编码。MUVERA 将一组向量转换为固定长度的单一向量，使 HFresh 能像处理普通向量一样进行搜索。

HFresh 的多向量查询分为三个阶段：

searchProbe 和 rq.rescoreLimit（在 HFresh 索引配置中设置）控制前两个阶段。searchProbe 确定扫描的倒排列表数量，rq.rescoreLimit 控制重排序后保留的候选数量。最终，幸存的候选将通过 MaxSim 与原始 token 向量进行精确评分。MaxSim 是晚期交互评分方法，可将查询 token 与最接近的文档 token 进行匹配。

设置方法如下：创建一个无向量生成器、使用 MUVERA 编码并配置 HFresh 索引的命名向量：

from
weaviate
.
classes
.
config
import
Configure
client
.
collections
.
create
(
"Page"
,
vector_config
=
Configure
.
MultiVectors
.
self_provided
(
name
=
"colbert"
,
encoding
=
Configure
.
VectorIndex
.
MultiVector
.
Encoding
.
muvera
(
)
,
vector_index_config
=
Configure
.
VectorIndex
.
hfresh
(
)
,
)
,
)

限制条件：

• 向量需设置 "vectorizer": "none"：您需要自行提供 token 向量。
• 必须使用 MUVERA 编码，且创建后不可更改：multivector.muvera.enabled 无法后续修改。
• 编码始终使用 1 位 RQ 压缩：PQ、SQ 和 BQ 编码被拒绝，且无法关闭 RQ。

multivector.enabled

alone is not enough on HFresh

如果你在 HFresh 上设置了 multivector.enabled 但未启用 MUVERA，虽然集合会被创建，但其行为会表现为一个普通的向量集合，不支持多向量功能，并会拒绝多向量导入和查询。请启用 multivector.muvera.enabled。

• 配置参考：HFresh 上的多向量嵌入
• 概念：HFresh 上的多向量嵌入
• 操作指南：多向量压缩 - MUVERA 编码
• 博客：HFresh，内存高效的向量搜索

PathSeer 过滤策略

带过滤的向量搜索需要找到同时通过过滤条件的最近对象。在 HNSW 索引中，filterStrategy 设置决定了当许多邻居不满足过滤条件时搜索如何遍历图。此前你只有两个选择：acorn（默认）和 sweeping。

v1.40 新增了第三种策略 pathseer。该策略源自 Zhiyue Li 等人于 SIGMOD 2026 发表的论文，论文第一作者 @lizhiyuell 提供了实现（#12137）。

在 Weaviate 的基准测试中，PathSeer 在随机、主题和混合过滤条件下是最快的策略，或与之相差不到百分之几。只有在强负相关过滤条件下，ACORN 才会略微领先，此时过滤条件几乎排除了查询的邻域。PathSeer 的博客文章包含了完整的基准测试和算法详解。

PathSeer 的遍历方式类似于 sweeping，从图的底层开始。当结果集仍在填充时，它还会像 ACORN 一样检查每个候选对象邻居的邻居。一旦结果集已满，它会跳过不匹配候选对象的非匹配邻居，而无需计算它们的距离。这个判断是针对每个节点进行的，因此无需新增参数调整。

PathSeer 不会存储任何额外信息。没有导入成本，没有内存开销，你可以无需重新索引即可将现有集合切换到或切换离开 PathSeer。平铺搜索的阈值仍然优先适用：当过滤条件匹配的对象数量少于 flatSearchCutoff 时，Weaviate 会直接扫描这些对象，而不是遍历图。

要切换现有命名向量：

from
weaviate
.
classes
.
config
import
Reconfigure
,
VectorFilterStrategy
articles
=
client
.
collections
.
use
(
"Article"
)
articles
.
config
.
update
(
vector_config
=
Reconfigure
.
Vectors
.
update
(
name
=
"default"
,
vector_index_config
=
Reconfigure
.
VectorIndex
.
hnsw
(
filter_strategy
=
VectorFilterStrategy
.
PATHSEER
,
)
,
)
)

通过 REST 传递的集合定义中，它在 HNSW vectorIndexConfig 中是一个字段：

{
"vectorIndexConfig"
:
{
"filterStrategy"
:
"pathseer"
}
}

• 概念：过滤 - PathSeer
• 博客：PathSeer，自适应过滤向量搜索

Search REST API（预览）

Search REST API 允许你通过 HTTP/1.1 使用纯 JSON 进行搜索，无需生成客户端或 GraphQL 查询字符串。该功能在 v1.39 中作为实验性默认关闭功能推出。此后发生了许多变化，所有更新都包含在 1.39 的补丁中，现在该 API 已进入预览阶段。

• 从 v1.39.7 开始默认启用
• 从 v1.39.3 开始支持结构化引用：新的 returnReferences 字段取代了 1.39 版本警告的点式 "hasAuthor.name" 形式。returnProperties 中的点式名称现在会被拒绝。
• 从 v1.39.8 开始支持 near-vector：它使用你提供的向量，因此可以在没有向量化器的集合上运行。

这使接口数量达到六个：

• POST /v1/search/{collection}/near-text
• POST /v1/search/{collection}/bm25
• POST /v1/search/{collection}/hybrid
• POST /v1/search/{collection}/near-object
• POST /v1/search/{collection}/near-vector

• POST /v1/aggregate/{collection}（返回计数）

以下是一个近向量搜索，同时会跟随每本书作者的引用：

curl -s -X POST http://localhost:8080/v1/search/Book/near-vector \
-H 'Content-Type: application/json' \
-d '{"vector":[0.1,0.9,0.2],"limit":1,
"returnProperties":["title"],
"returnReferences":[{"linkOn":"writtenBy","returnProperties":["name"]}],
"returnMetadata":["distance"]}'

每个 returnReferences 条目会指定 linkOn 的引用属性以及要从指向对象中返回的内容。你也可以为多目标引用设置 targetCollection，为引用对象设置 returnMetadata，以及嵌套的 returnReferences 以进一步跳转。引用对象会以与顶级搜索结果相同的属性和元数据结构返回：

{
"results"
:
[
{
"id"
:
"ce442a4d-a704-46bd-b5c3-cf7b1b2ffdc0"
,
"metadata"
:
{
"distance"
:
0.00040352345
}
,
"properties"
:
{
"title"
:
"The Left Hand of Darkness"
}
,
"references"
:
{
"writtenBy"
:
[
{
"properties"
:
{
"name"
:
"Ursula K. Le Guin"
}
}
]
}
}
]
,
"tookMs"
:
1
}

一些内容没有变化。默认的 limit 是 QUERY_DEFAULTS_LIMIT（10）。targetVector 接受单个向量名称。目前还没有客户端库封装这些端点。Boost、MMR、重排序、生成式搜索和分组搜索在 REST 中不可用。

预览

Search REST API 是预览功能。其请求和响应结构在未来的版本中可能仍会变化。

• 引用：RESTful API - 搜索端点

向量配置默认值（重大变更） ​

升级前请检查

如果你的服务器设置了 DEFAULT_VECTORIZER_MODULE，那么在 v1.40 上创建的未指定向量化器的集合将不会被向量化。创建时不会报错，但启动时会有警告。

从 v1.40 开始，DEFAULT_VECTORIZER_MODULE 已被弃用并忽略。如果设置，Weaviate 会在启动时记录警告。顶级向量化器的默认值始终为 none。现有集合不受影响。变化的是新集合定义会提供什么：

你的集合定义设置

之前

v1.40

从

没有任何向量参数

一个单向量集合，由服务器默认值填充

一个没有向量的集合

vectorIndexType

或

vectorIndexConfig

，但没有

vectorizer

一个由 DEFAULT_VECTORIZER_MODULE 向量化的单向量集合

一个不进行向量化的单向量集合

显式指定的向量化器

保持不变

总是发送 vectorIndexType 的旧客户端（如 4.21.2 之前的 Python 客户端）会落在第二行。自动模式更早变更：自 v1.39.1 起，它会创建一个名为 default 的向量，且向量化器设置为 none。

要做什么：在升级前，每个需要向量化器的集合定义中显式指定向量化器。

• 迁移指南：向量配置默认值

• 配置参考：没有向量的集合

性能改进和修复 ​

除了主要功能外，v1.40 还包含大量改进。以下部分中的一些功能首次在 1.39 的补丁版本中发布，这些会特别标注。一些值得注意的改进包括：

• 每个副本的分片状态：GET /v1/schema/{collection}/shards 现在会报告一个 per_node_status 对象，将每个节点映射到该节点上分片的状态。无法访问或无法提供读取服务的副本会报告 UNAVAILABLE。旧的 status 和 vectorQueueSize 字段已弃用。

• 更严格的MCP混合工具：内置的MCP服务器混合搜索工具现在会拒绝超出0到1范围的alpha值和负数限制。它使用相对分数融合结合结果，与其它API默认方式相同，并会拒绝未知的参数键。

• Google Cloud Storage备份的gRPC支持：备份-gcs模块现在默认通过gRPC与GCS通信。仅提供JSON API的本地模拟器需要设置GCS_MODULE_TRANSPORT=http。

• 更小的HNSW内存图：每个HNSW节点现在是一个堆对象而非三个，这意味着每个节点内存占用更少且分配次数更少。该功能在v1.39.6中发布。

• 更高效的聚合操作：聚合扫描现在重用缓冲区并通过单个读取器遍历每个段，因此分配的内存显著减少。该功能在v1.39.3中发布。

• 读取备份权限：角色现在可以列出备份并读取备份和恢复状态，而无需具备创建、恢复或取消备份的权限。该功能在v1.39.10中发布。

• 两个新的生成模块：DigitalOcean在v1.39.2中发布，Meta AI在v1.39.3中发布。

• Weaviate 1.40：GitHub发布说明

社区贡献 ​

Weaviate是开源的，本次发布周期包含四位首次贡献者的成果。感谢以下贡献者：

• @lizhiyuell：HNSW的PathSeer过滤策略（#12137）

• @hamodywe：在混合子搜索中获取Boost.Depth-深度候选（#12537）（自v1.39.1起）

• @bharadwaj-pendyala：从offload-s3分片上传中排除LSM临时文件（#12884）

• @ColtonRobak：在PATCH请求中将租户传递给re-vectorize检查（#13345）（自v1.39.8起）

如需贡献代码，请查看贡献者指南和GitHub上的good-first-issue标签。

总结 ​

Weaviate v1.40将两项功能提升为通用可用，为HFresh带来多向量嵌入，并新增第三种HNSW过滤策略。

主要亮点：

• 删除命名向量（GA）：无需重新创建集合即可在后台从每个对象中移除不再需要的向量

• 4位旋转量化（GA）：1.39预览版的宽度现已稳定，比原始float32小7.84倍，适用于HNSW索引

• HFresh上的多向量嵌入（通过MUVERA）：通过MUVERA编码在基于磁盘的索引上实现ColBERT和ColPali风格的嵌入

• PathSeer过滤策略：基于SIGMOD 2026论文的第三种HNSW图过滤遍历方式，可在现有集合中切换使用

• 搜索REST API（预览版）：默认启用，支持结构化引用和near-vector端点，自1.39补丁版本起可用

• 向量配置默认值（重大变更）：DEFAULT_VECTORIZER_MODULE被忽略，升级前请在每个集合定义中明确指定向量器名称

准备开始了吗？

该版本已在GitHub和Weaviate Cloud上作为开源项目发布，您可以在免费层级上启动集群。

note

Weaviate Cloud可能不支持所有功能。预览版和实验性功能，以及需要特定环境配置的功能，可能在托管集群中不可用，或以不同时间表上线。

如果您正在升级自托管集群，请查看迁移指南中的版本特定说明。

感谢阅读，祝您向量搜索愉快！

准备开始构建？ ​

查看快速入门教程，或注册Weaviate Cloud免费账户。