XTDB v2.0.0-beta9发布:COPY功能与Clojure API重大改进
XTDB是一个开源的时序数据库,采用了独特的混合架构设计,结合了文档数据库的灵活性和关系型数据库的强大查询能力。最新发布的v2.0.0-beta9版本带来了几项重要更新,其中最引人注目的是Postgres COPY功能的支持以及Clojure API的重大重构。
强大的COPY功能支持
新版本中最令人兴奋的功能莫过于对Postgres COPY命令的完整支持。这一功能为大规模数据导入提供了极高效的解决方案。
COPY命令允许用户以流式方式将大量数据快速加载到XTDB中,特别适合数据迁移、批量导入等场景。XTDB目前支持两种数据格式:
- Transit-JSON格式:基于JSON的轻量级数据交换格式
- Transit-Msgpack格式:二进制格式,体积更小,处理效率更高
对于Java开发者,可以通过JDBC的CopyManager接口来使用这一功能。Clojure开发者则可以直接使用xtdb.next.jdbc/copy-in这一便捷封装。Node.js用户则可以通过Postgres.js客户端的copy API来利用这一特性。
值得注意的是,开发团队还计划在未来版本中加入Apache Arrow格式支持,这将进一步减少序列化开销,使数据传输效率接近零开销。
Clojure API的重大重构
本次版本对Clojure API进行了深度重构,解决了长期存在的双代码路径问题。此前,XTDB在本地节点和远程节点上使用不同的实现方式,可能导致行为不一致。
新版本统一了实现方式,将Clojure API构建在Postgres有线协议之上。这一变化带来了几个重要优势:
- 行为一致性:无论连接本地还是远程节点,都使用相同的代码路径
- 简化架构:移除了为支持双路径而设计的抽象层
- 更好的错误处理:execute-tx现在会在事务提交失败时抛出异常,与JDBC和next.jdbc行为保持一致
需要注意的是,这一变化也带来了两个重要的向后不兼容修改:
- 移除了Clojure HTTP客户端,建议用户改用Postgres有线协议端口连接
- execute-tx现在会在事务失败时抛出异常,开发者需要相应地调整错误处理逻辑
其他重要改进
除了上述主要变化外,新版本还包含了一些值得关注的改进:
-
新增了xt.metrics_gauges、xt.metrics_timers和xt.metrics_counters三张系统表,用于存储节点监控指标。虽然生产环境仍建议使用Prometheus等专业监控方案,但这些表提供了快速查看原始指标的途径。
-
对java.util.Date类型的处理方式进行了调整,现在会将其作为带时区的时间戳传输。这与传统JDBC处理方式不同,开发者需要注意这一变化可能带来的影响。
-
错误处理机制改进,现在使用更结构化的异常信息。开发者可以通过ex-data或Postgres错误响应的detail字段获取更详细的错误上下文。
总结
XTDB v2.0.0-beta9通过引入COPY功能和重构Clojure API,进一步提升了系统的性能和一致性。这些改进使XTDB在大规模数据处理和开发体验方面都有了显著提升。虽然带来了一些向后不兼容的变化,但这些改动都是为了提供更稳定、更一致的开发体验。
对于现有用户,建议仔细评估API变化对现有系统的影响,特别是错误处理逻辑和Date类型处理方面的修改。新用户则可以直接享受这些改进带来的好处,构建更高效的时序数据处理应用。
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