Odigos v1.0.168 版本发布:增强云原生可观测性能力
Odigos 是一个开源的分布式追踪和可观测性平台,专注于为云原生应用提供自动化的遥测数据收集和传输能力。它通过轻量级的 sidecar 方式自动检测应用程序,无需修改代码即可收集指标、日志和追踪数据,并将这些数据发送到各种可观测性后端。
本次发布的 v1.0.168 版本带来了多项重要更新,主要集中在新增多种数据目的地支持、改进环境变量配置以及优化发布流程等方面。这些改进使 Odigos 能够更好地满足企业在多云环境下的可观测性需求。
新增数据目的地支持
Odigos 1.0.168 版本显著扩展了其支持的监控后端系统,新增了以下重要数据目的地:
-
AWS EMF 目的地:新增了对 Amazon CloudWatch 嵌入式指标格式(EMF)的支持,使用户能够直接将指标数据发送到 AWS CloudWatch 服务,这对于运行在 AWS 环境中的应用程序特别有价值。
-
时序数据库支持:新增了对 GreptimeDB 和 VictoriaMetrics 的支持,这两款都是高性能的时序数据库,特别适合存储和分析时间序列数据。
-
云服务提供商监控:新增了对阿里云(Alibaba Cloud)和甲骨文云(Oracle Cloud)监控服务的原生支持,扩展了 Odigos 在多云环境下的适用性。
-
APM 工具集成:新增了对 Observe、Seq、Tingyun 和 Bonree ONE 等应用性能监控(APM)工具的支持,为用户提供了更多选择。
-
运维工具集成:新增了对 OneUptime 的支持,这是一款开源的运维状态监控和事件管理工具。
这些新增的目的地支持使 Odigos 能够更好地适应不同企业的技术栈和监控需求,特别是在混合云和多云环境中。
环境变量配置改进
本次版本在环境变量配置方面进行了重要优化:
-
环境变量值来源配置:新增了支持从环境变量值来源(valueFrom)的配置方式,这使得配置更加灵活,可以更好地与 Kubernetes 的原生功能集成。
-
Java 代理优化:改进了 Java 代理的环境变量设置逻辑,现在当多个选项被定义时,只会设置一个环境变量,避免了潜在的冲突问题。这一改进特别有助于复杂 Java 应用的监控配置。
发布流程优化
开发团队对发布流程进行了多项改进:
-
发布检查机制:新增了对开放偏移量(open offsets)拉取请求的发布检查,确保发布质量。
-
发布工具统一:整合了发布 CLI 工具,移除了已弃用的 --rm-dist 参数,改用 --clean 参数,使发布流程更加标准化。
-
文档构建更新:更新了文档构建工具 mintlify 的版本,确保文档生成的质量和稳定性。
前端改进
前端部分也进行了多项更新:
-
React 升级:将前端使用的 React 框架从 19.0.0 升级到 19.1.0 版本,带来了性能改进和新特性支持。
-
依赖更新:更新了多个前端依赖项,包括 gqlgen 和 gin-contrib/cors 等,提升了安全性和功能性。
问题修复
本次发布还包含多个问题修复:
-
文档崩溃问题:修复了文档系统可能崩溃的问题,提升了用户体验。
-
节点收集器描述命令:修复了节点收集器(node collector)描述命令的问题,使诊断更加准确。
-
Python 代理更新:将 Python 代理更新到 v1.0.34 版本,包含了多项改进和修复。
总结
Odigos v1.0.168 版本通过新增多种数据目的地支持,显著扩展了其在多云环境下的适用性。环境变量配置的改进使部署更加灵活,而发布流程的优化则提升了开发效率。这些更新共同增强了 Odigos 作为云原生可观测性平台的能力,使其能够更好地满足企业级监控需求。
对于已经在使用 Odigos 的用户,建议评估新增的数据目的地是否能够满足您的监控需求。对于新用户,这个版本提供了更丰富的集成选项,是开始使用 Odigos 的好时机。特别是运行在混合云环境中的企业,新增的云服务提供商支持将大大简化监控系统的搭建和维护工作。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00