SeaQL/sea-query 0.32.3版本发布:增强SQL构建能力
SeaQL/sea-query是一个用Rust编写的SQL查询构建器,它提供了类型安全的方式来构建各种SQL语句。通过这个库,开发者可以避免手动拼接SQL字符串带来的安全风险,同时享受到Rust类型系统带来的好处。最新发布的0.32.3版本带来了几项重要的功能增强,进一步提升了SQL构建的灵活性和表达能力。
新增功能详解
支持UPDATE FROM语法
在SQL中,UPDATE FROM语句允许我们基于另一个表的数据来更新当前表。这在需要关联更新时非常有用。新版本中,SeaQL/sea-query现在可以构建这样的查询:
let query = Query::update()
.table(Glyph::Table)
.value(Glyph::Tokens, Expr::column((Char::Table, Char::Character)))
.from(Char::Table)
.cond_where(
Expr::col((Glyph::Table, Glyph::Image))
.eq(Expr::col((Char::Table, Char::UserData))),
)
.to_owned();
这段代码会生成如下SQL(以PostgreSQL为例):
UPDATE "glyph" SET "tokens" = "character"."character" FROM "character"
WHERE "glyph"."image" = "character"."user_data"
这种语法在需要基于关联表数据更新主表时特别有用,避免了子查询或临时表的使用。
支持PostgreSQL的TABLESAMPLE
TABLESAMPLE是PostgreSQL提供的一个强大功能,它允许从表中随机抽样数据。这在处理大型数据集时特别有用,可以快速获取代表性样本而不必处理整个表。
新版本通过扩展方法支持了这一特性:
use sea_query::extension::postgres::PostgresSelectStatementExt;
let query = Query::select()
.columns([Glyph::Image])
.from(Glyph::Table)
.table_sample(SampleMethod::SYSTEM, 50.0, None)
.to_owned();
生成的SQL如下:
SELECT "image" FROM "glyph" TABLESAMPLE SYSTEM (50)
SYSTEM采样方法会对表的物理块进行采样,效率很高。50.0参数表示采样50%的数据。
支持ALTER COLUMN USING语法
在PostgreSQL中,ALTER COLUMN USING允许在修改列类型时指定一个转换表达式。这在需要保留数据的同时改变列类型时非常有用。
新版本支持构建这样的DDL语句:
let table = Table::alter()
.table(Char::Table)
.modify_column(
ColumnDef::new(Char::Id)
.integer()
.using(Expr::col(Char::Id).cast_as(Alias::new("integer"))),
)
.to_owned();
生成的SQL如下:
ALTER TABLE "character" ALTER COLUMN "id" TYPE integer USING CAST("id" AS integer)
这在需要将字符串类型转换为数值类型等场景下特别有用,可以确保数据转换的正确性。
内部改进
除了上述功能增强外,0.32.3版本还进行了以下内部改进:
-
将ordered-float依赖升级到了4.x版本,这是一个用于处理有序浮点数的库,在SQL构建中用于处理浮点数值。
-
将thiserror依赖升级到了2.x版本,这个库提供了更方便的错误处理宏,使得SeaQL/sea-query的错误处理更加简洁高效。
总结
SeaQL/sea-query 0.32.3版本通过新增对UPDATE FROM、TABLESAMPLE和ALTER COLUMN USING等SQL语法的支持,进一步丰富了其SQL构建能力。这些增强使得开发者能够更灵活地构建复杂的SQL语句,同时保持类型安全和代码可维护性。
对于使用PostgreSQL的开发者来说,新增的TABLESAMPLE支持特别有价值,它为大数据分析场景提供了便利。而UPDATE FROM语法则简化了关联更新操作,ALTER COLUMN USING则为数据库迁移提供了更多灵活性。
随着这些功能的加入,SeaQL/sea-query继续巩固其作为Rust生态中强大SQL构建器的地位,为开发者提供了更完善的工具来处理各种数据库操作需求。
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-1.5暂无简介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