Databend v1.2.719-nightly版本发布:优化器重构与Iceberg查询增强
Databend是一个开源的云原生数据仓库,以其高性能、弹性扩展和易用性著称。它采用Rust语言编写,支持标准的SQL语法,能够处理PB级别的数据分析工作负载。Databend的设计理念是让数据分析变得简单高效,无论是在公有云、私有云还是本地环境中都能提供一致的使用体验。
核心特性更新
UDF服务支持自定义头部
本次更新为UDF(用户定义函数)服务器添加了自定义HTTP头部的功能。这一增强使得用户能够在调用UDF时传递额外的元数据信息,为集成第三方服务和实现更复杂的业务逻辑提供了更大的灵活性。例如,开发者现在可以在请求中添加认证令牌或跟踪标识符,从而更好地与现有系统集成。
Iceberg表版本查询支持
Databend现在能够查询特定版本的Iceberg表数据。Iceberg作为一种开源表格式,支持时间旅行查询和版本控制功能。通过这一更新,用户可以指定版本号来查询历史数据快照,这对于数据审计、回溯分析和数据修复等场景特别有价值。该功能扩展了Databend对现代数据湖架构的支持能力。
重要问题修复
虚拟列绑定修复
解决了在绑定连接操作时Variant类型无法正确应用虚拟列的问题。虚拟列是Databend中一种特殊类型的列,它们不实际存储数据,而是在查询时动态计算。这一修复确保了包含Variant类型的复杂查询能够正确执行,提高了系统的稳定性和可靠性。
持久化日志表可靠性增强
修复了在系统关闭时持久化日志表可能丢失记录的问题。持久化日志是Databend保证数据一致性的关键组件,这一改进显著提升了系统在异常情况下的数据完整性保障能力。同时,针对相关单元测试的稳定性也进行了优化,确保测试结果更加可靠。
DNS解析优化
解决了在某些特定情况下可能出现的DNS解析错误问题。网络连接稳定性对于分布式系统至关重要,这一修复增强了Databend在不同网络环境下的适应能力,特别是在复杂的云环境中。
架构优化与重构
查询优化器重构
本次发布包含了对查询优化器的重大重构工作。优化器是数据库系统的"大脑",负责将SQL查询转换为高效的执行计划。通过这次重构,Databend的优化器架构变得更加清晰和模块化,为未来引入更先进的优化技术奠定了基础。具体改进包括:
- 优化器逻辑的重新组织和简化
- 更清晰的优化阶段划分
- 更易于扩展的接口设计
这些改进不仅提升了当前版本的性能,也为后续的功能扩展提供了更好的支持。
函数调用表达式转换优化
改进了函数调用表达式到类型转换表达式的重写逻辑。这一优化使得查询计划更加高效,特别是在处理隐式类型转换的场景下。通过更智能的表达式重写,系统可以减少不必要的计算开销,提升查询执行效率。
开发者体验改进
列调试信息增强
对Column类型的调试输出进行了优化,使其更加易读和有用。这一改进主要面向开发者,在进行问题诊断和性能分析时能够更直观地理解数据结构的状态,显著提升了开发效率。
分布式调度缓存标识
为分布式调度器添加了缓存标识功能。这一改进使得分布式查询的执行计划能够更好地利用缓存机制,减少重复计算,特别是在复杂查询和频繁执行的场景下能够带来明显的性能提升。
总结
Databend v1.2.719-nightly版本在功能、稳定性和架构方面都取得了显著进展。从支持Iceberg表版本查询到优化器的深度重构,这些改进不仅增强了系统的当前能力,也为未来的发展奠定了坚实基础。特别是对持久化日志和DNS解析等基础组件的优化,体现了项目对生产环境可靠性的持续关注。
对于数据分析师和开发者而言,新版本提供了更强大的数据处理能力和更稳定的运行环境。而对于系统架构师,优化器的重构则预示着Databend未来在查询性能方面将有更大突破。随着这些改进的逐步成熟,Databend作为现代数据仓库解决方案的竞争力将进一步提升。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00