Backon v1.4.0 版本发布:全面增强异步重试能力
Backon 是一个 Rust 语言编写的异步重试库,它提供了多种重试策略和灵活的配置选项,帮助开发者轻松处理网络请求、数据库操作等可能失败的异步操作。Backon 的设计哲学是简单、灵活且高效,支持 no_std 环境,适用于嵌入式系统和常规应用开发。
核心特性增强
1. 标准库支持优化
在 v1.4.0 版本中,Backon 改进了对标准库的支持方式。现在即使在不使用全局随机数种子的情况下,也能很好地支持标准库环境。这一改进使得库在更多场景下都能保持轻量级特性,同时不牺牲功能性。
2. 嵌入式系统支持
针对嵌入式开发场景,Backon 新增了基于 embassy 框架的 Sleeper 实现。embassy 是一个流行的嵌入式异步运行时,这一新增功能使得 Backon 能够更好地服务于资源受限的嵌入式设备开发。
// 示例:在嵌入式系统中使用 Backon
use backon::ExponentialBuilder;
use embassy_time::Duration;
let retry_policy = ExponentialBuilder::default()
.with_max_times(3)
.with_min_delay(Duration::from_millis(100))
.with_max_delay(Duration::from_secs(1));
3. 新增 futures-timer 支持
为了提供更多选择,v1.4.0 新增了基于 futures-timer 的 Sleeper 实现。futures-timer 是 futures 生态中的计时器实现,这一新增使得依赖 futures 生态的项目可以更自然地集成 Backon。
开发者体验改进
1. 构建器常量标记
所有构建器现在都被标记为 const,这意味着它们可以在编译时被初始化,提高了性能并允许更多使用场景。这一改进特别适合需要静态初始化重试策略的场景。
const RETRY_POLICY: ExponentialBuilder = ExponentialBuilder::default()
.with_max_times(5);
2. 文档完善
文档方面,v1.4.0 增加了对 Backoff trait 的详细说明,帮助开发者更好地理解和使用这一核心抽象。文档现在更清晰地解释了如何实现自定义的重试策略。
内部优化
1. 依赖管理
项目更新了 embassy-time 依赖到 0.4 版本,保持与最新生态的兼容性。同时移除了不必要的可选特性选择器,简化了构建配置。
2. CI 改进
持续集成流程针对 Windows 平台进行了优化,暂时跳过了某些特性测试以确保构建稳定性,同时为未来的跨平台支持打下基础。
总结
Backon v1.4.0 版本在保持核心重试功能稳定的同时,显著扩展了其适用场景,特别是对嵌入式系统和不同异步生态的支持。构建器常量化和文档改进等优化也提升了开发者体验。这些改进使得 Backon 成为 Rust 生态中更全面、更灵活的重试解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00