Micrometer 1.15.0-M1 版本发布:性能监控工具的重要更新
Micrometer 是一个为 JVM 应用提供指标收集功能的工具库,它作为应用指标门面(Metrics Facade),能够与多种监控系统(如 Prometheus、Datadog、InfluxDB 等)无缝集成。本次发布的 1.15.0-M1 版本作为里程碑版本,带来了一系列新特性、改进和错误修复,为开发者提供了更强大、更稳定的监控能力。
核心改进与特性
1. 性能优化与内存管理
本次版本重点解决了 MeterRegistry 在移除大量计量器时的性能回归问题。通过优化内部数据结构,显著提升了在高负载场景下的操作效率。同时,修复了指数直方图中可能导致 ArrayIndexOutOfBoundsException 的问题,增强了数据收集的稳定性。
2. 增强的观测能力
在观测功能方面,Micrometer 1.15.0-M1 引入了多项改进:
- 为 gRPC 观测上下文添加了对端名称和端口信息,使分布式追踪更加完善
- 当发生 HttpHostConnectException 时,ObservationExecChainHandler 现在会提供目标主机/端口信息,便于问题诊断
- 改进了 LoggingMeterRegistry,现在除了吞吐量外还会记录增量计数,提供更全面的性能视图
3. API 改进与类型安全
一个重要的架构改进是避免在公共 API 中暴露 OTLP(OpenTelemetry Protocol)特定类型,这提高了 API 的整洁性和可维护性。同时,Gauge 构建器现在可以接受 Number 的子类,提供了更大的灵活性。
错误修复与稳定性提升
本次版本修复了多个关键问题:
- 解决了当 AOP 应用于返回 CompletableFuture 的方法时可能出现的 NPE 问题
- 修复了在获取/设置 JMS 头信息时可能出现的 RuntimeException 处理问题
- 确保 JVM 类卸载指标的描述更加通用化
开发体验改进
对于测试支持,Micrometer 1.15.0-M1 增强了 observation-test 模块,现在支持对事件的断言,使得测试观测行为更加方便。同时,文档方面也有多项改进,包括澄清了相同名称不同标签的计量器使用场景,以及更新了 @Timed 和 @Counted 注解的使用说明。
依赖项升级
项目维护团队持续跟进依赖库的更新:
- OpenTelemetry Proto 升级到 1.5.0-alpha 版本
- AWS CloudWatch SDK 升级到 2.29.46
- Google Cloud 相关库更新到最新稳定版本
- Dropwizard Metrics 升级到 4.2.29
总结
Micrometer 1.15.0-M1 版本在性能、稳定性和功能完备性方面都有显著提升。特别是对观测能力的增强和对公共 API 的清理,体现了项目向更成熟方向发展的趋势。对于正在使用或考虑采用 Micrometer 的团队,这个里程碑版本值得关注和评估。
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