Grafbase项目发布0.25.0版本:增强可信文档的渐进式采用能力
Grafbase是一个现代化的GraphQL网关解决方案,它帮助开发者构建、部署和管理GraphQL API。作为GraphQL生态中的重要工具,Grafbase提供了强大的功能来优化API性能、安全性和可维护性。
可信文档功能的渐进式采用策略
在最新发布的0.25.0版本中,Grafbase对可信文档(Trusted Documents)功能进行了重要改进,使其支持更加灵活的渐进式采用策略。可信文档是GraphQL API安全性的重要组成部分,它通过预先注册和验证查询来防止恶意查询和查询注入攻击。
配置选项的扩展
新版本引入了更细粒度的配置选项,允许团队根据实际需求逐步实施可信文档策略。在grafbase.toml配置文件中,现在可以设置以下参数:
[trusted_documents]
enabled = true
enforced = true
bypass_header_name = "my-header-name"
bypass_header_value = "my-secret-is-{{ env.SECRET_HEADER_VALUE }}"
document_id_unknown_log_level = "error"
document_id_and_query_mismatch_log_level = "off"
inline_document_unknown_log_level = "warn"
渐进式采用的三阶段
-
监控阶段:仅设置
enabled = true时,网关会获取并缓存可信文档,但不强制执行。这允许团队收集数据并了解当前查询使用情况。 -
过渡阶段:通过配置不同的日志级别,团队可以监控潜在问题。例如,设置
document_id_unknown_log_level = "warn"可以在控制台看到哪些文档ID未被识别,而不会中断服务。 -
强制执行阶段:当
enforced = true时,网关将完全实施可信文档策略。新版本还放宽了对仅包含内联文档请求的限制,为迁移提供了更大的灵活性。
日志级别的精细控制
新版本引入了三种专门的日志级别设置,帮助团队更好地监控和调试可信文档的使用情况:
-
未知文档ID日志:记录请求中包含文档ID但找不到对应可信文档的情况。
-
文档ID与查询不匹配日志:记录同时发送查询文档和文档ID时,获取的可信文档与内联查询不匹配的情况。
-
内联文档未知日志:记录发送内联文档但找不到匹配可信文档的情况。
每种日志都可以独立配置为off、error、warn、info或debug级别,默认均为info级别。
其他改进
除了可信文档功能的增强外,0.25.0版本还修复了@skip和@include指令在反序列化子图响应时可能不被正确处理的问题,进一步提高了GraphQL查询的准确性和可靠性。
总结
Grafbase 0.25.0版本通过引入可信文档的渐进式采用策略,为团队提供了更平滑的迁移路径。这种分阶段的方法降低了采用门槛,使组织能够在不中断现有服务的情况下逐步提高API安全性。同时,精细的日志控制为监控和调试提供了强大工具,确保在完全强制执行前发现并解决潜在问题。
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