GreptimeDB v0.12.0 夜间版本发布:分布式时序数据库新特性解析
GreptimeDB 是一款开源的分布式时序数据库,专为处理大规模时序数据而设计。它结合了时序数据库的高效存储和查询能力,以及分布式系统的水平扩展特性,适用于物联网、监控系统、金融分析等场景。最新发布的 v0.12.0 夜间版本带来了多项重要改进和新功能。
核心功能增强
本次更新在事务处理方面有显著提升,新增了对 PostgreSQL KV 后端的事务(Txn)支持。这一改进使得 GreptimeDB 能够更好地处理需要原子性操作的场景,为金融交易、订单处理等业务提供了更可靠的数据一致性保障。
查询功能方面,实现了 COPY 命令支持,用户现在可以将查询结果直接导出到外部文件。这一功能极大简化了数据分析师的工作流程,使得数据导出和后续处理更加便捷。
性能优化与稳定性改进
存储引擎进行了多项优化,包括引入 ParallelFstValuesMapper 并行处理机制,显著提升了大规模数据扫描的效率。同时优化了分区拆分时的插入请求处理,减少了不必要的计算开销。
在稳定性方面,修复了区域租约续期问题,确保所有区域都能及时续约,防止因租约过期导致的服务中断。Bloom 过滤器也得到了改进,现在能够更精确地过滤行数据,减少误判率。
协议与兼容性增强
新版本加强了对多种协议的支持:
- 完整实现了 PostgreSQL 协议的会话用户相关命令
- 新增对 Elasticsearch _bulk API 的支持,方便用户迁移现有日志系统
- 改进了 Loki JSON 写入协议的处理能力
- 支持设置和查询 PostgreSQL 的 search_path 参数
这些改进使得 GreptimeDB 能够更好地与现有生态系统集成,降低用户迁移成本。
监控与管理
监控系统进行了多项更新:
- 更新了独立部署的 Grafana 仪表盘,采用新的指标命名规范
- 增加了自动检测本地 IP 作为主机名的功能,简化了分布式部署配置
- 仪表盘升级至 v0.7.6 版本,提供更丰富的可视化选项
开发者体验改进
项目构建系统进行了多项优化:
- 使用 mold 链接器加速测试构建过程
- 精简了依赖项,减小了二进制文件体积
- 移除了 Python 脚本支持,简化了核心代码库
- 为 Android 平台构建做了特别优化
这些改进使得开发者能够更高效地构建和测试 GreptimeDB,特别是对于嵌入式场景的支持更加完善。
总结
GreptimeDB v0.12.0 夜间版本在事务处理、查询功能、协议支持和性能优化等方面都有显著提升。这些改进使得它更适合作为企业级时序数据平台的核心组件,特别是在需要处理海量时序数据并保证高可用性的场景下。随着功能的不断完善,GreptimeDB 正在成为时序数据库领域的重要选择之一。
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