Azure SDK for .NET 中 Azure.Data.Tables 12.10.0 版本发布解析
Azure.Data.Tables 是微软 Azure SDK for .NET 中的一个重要组件,它为开发者提供了与 Azure Table Storage 服务交互的能力。Azure Table Storage 是一种 NoSQL 数据存储服务,适合存储结构化、非关系型数据,具有高可用性和可扩展性等特点。
重大变更:字符串比较过滤器的严格校验
本次 12.10.0 版本引入了一个重要的行为变更,涉及查询过滤器中字符串比较的处理方式。在之前的版本中,当开发者使用 TableClient.Query、TableClient.QueryAsync 或 TableClient.CreateQueryFilter 方法时,如果过滤表达式使用了 string.Equals 或 string.Compare 并带有 StringComparison 参数,系统会默默地忽略 StringComparison 参数。
这种行为实际上是一个潜在的问题,因为 Azure Table 服务本身并不支持这些带有 StringComparison 参数的方法。在之前的版本中,这种不匹配被静默处理,可能导致开发者难以察觉的查询逻辑错误。
在 12.10.0 版本中,SDK 团队决定改变这一行为,现在当检测到这种用法时,会直接抛出异常,强制开发者意识到这个问题。这一变更虽然可能影响现有代码,但从长远来看有助于提高代码的可靠性和可预测性。
兼容性选项
考虑到这一变更可能影响现有应用程序,SDK 提供了回退机制。开发者可以通过以下方式之一恢复之前的行为:
- 设置 AppContext 开关 "Azure.Data.Tables.DisableThrowOnStringComparisonFilter" 为 true
- 设置环境变量 "AZURE_DATA_TABLES_DISABLE_THROWONSTRINGCOMPARISONFILTER" 为 "true"
对于 .NET 项目,还可以通过项目配置文件来设置这个开关:
<ItemGroup>
<RuntimeHostConfigurationOption Include="Azure.Data.Tables.DisableThrowOnStringComparisonFilter" Value="true" />
</ItemGroup>
性能优化
除了上述重大变更外,12.10.0 版本还包含了一个性能改进:
- 优化了
TableServiceClient.GetTableClient()方法的性能
这一优化使得获取表客户端实例的操作更加高效,对于频繁创建表客户端实例的应用场景将带来明显的性能提升。
升级建议
对于正在使用 Azure.Data.Tables 的开发者,建议在升级到 12.10.0 版本前:
- 检查代码中是否使用了带有
StringComparison参数的字符串比较方法作为查询过滤器 - 如果确实使用了这些方法,考虑修改查询逻辑以避免依赖
StringComparison参数 - 如果暂时无法修改代码,可以使用提供的兼容性选项暂时恢复旧行为
- 测试应用程序在性能敏感路径上是否频繁调用
GetTableClient()方法,评估性能改进带来的好处
这一版本的变更体现了 Azure SDK 团队对产品质量和开发者体验的持续关注,通过更严格的校验帮助开发者编写更可靠的代码,同时通过性能优化提升运行时效率。
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