Predis v2.4.0发布:全面支持Redis 8.0新特性
Predis是一个用PHP编写的灵活且功能丰富的Redis客户端库,它提供了与Redis服务器交互的高效方式。Predis以其轻量级、高性能和易用性著称,支持Redis的所有主要功能,包括事务、管道、发布/订阅等。最新发布的v2.4.0版本带来了对即将发布的Redis 8.0的全面兼容支持,同时优化了现有功能并修复了多个问题。
Redis 8.0兼容性增强
v2.4.0版本最重要的改进是全面支持即将发布的Redis 8.0。开发团队为此做了大量工作:
-
新增了对Redis 8.0特有的哈希字段过期命令的支持,这使得开发者能够为哈希中的单个字段设置独立的过期时间,而不是整个键。这一功能为缓存策略提供了更细粒度的控制。
-
添加了之前缺失的
FT._LIST和BITFIELD_RO命令支持。FT._LIST用于RediSearch模块,而BITFIELD_RO则是Redis 5.0引入的只读位域操作命令,现在在Predis中得到了完整支持。 -
特别加强了测试覆盖范围,新增了针对Redis 8.0的CI测试,确保Predis在新版本Redis上的稳定运行。
功能优化与改进
除了Redis 8.0的兼容性外,v2.4.0还包含多项功能优化:
-
改进了
WATCH命令的参数处理,现在可以接受字符串或字符串数组作为参数,使API更加灵活。 -
优化了集群模式下的槽位映射(slotmap)实现,采用紧凑的槽位范围对象,减少了内存使用并提高了性能。
-
将
GEOSEARCH命令标记为只读操作,确保它可以在副本节点上执行,这对于读写分离的架构特别有用。
问题修复
v2.4.0版本修复了多个重要问题:
-
修复了
EVAL_RO(只读Lua脚本)在集群模式下的支持问题,确保只读脚本能在集群环境中正确执行。 -
解决了PHP 8.4兼容性问题,特别是与
stream_context_set_option函数相关的问题。 -
修复了命名参数可能导致运行时失败的问题,提高了代码的健壮性。
-
解决了Redis集群在
MOVED/ASK响应时可能出现的协议丢失问题,增强了集群模式的稳定性。
维护与测试改进
在维护方面,开发团队做了以下工作:
-
引入了并行处理来加速PHP-CS-Fixer的运行,提高了开发效率。
-
扩展了测试覆盖范围,特别是针对Redis 8.0的新特性进行了全面测试。
-
持续优化代码质量,确保Predis保持高性能和稳定性。
总结
Predis v2.4.0是一个重要的版本更新,它不仅为即将到来的Redis 8.0做好了准备,还通过多项优化和修复提升了整体性能和稳定性。对于使用Redis作为数据存储的PHP应用来说,升级到v2.4.0将获得更好的兼容性和更丰富的功能支持。特别是那些计划迁移到Redis 8.0的用户,这个版本提供了平滑过渡的基础。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00