Google.Cloud.BigQuery.AnalyticsHub.V1 1.9.0版本发布:增强数据共享与分析能力
Google.Cloud.BigQuery.AnalyticsHub.V1是Google Cloud平台提供的一个.NET客户端库,它允许开发者在应用程序中轻松集成BigQuery Analytics Hub功能。Analytics Hub是Google Cloud提供的一项数据共享服务,使组织能够安全地共享和发现数据集,促进数据协作与分析。
核心功能增强
本次1.9.0版本更新带来了多项重要功能增强,进一步提升了Analytics Hub的数据共享与管理能力:
-
Analytics Hub与Marketplace集成支持:新增了对Analytics Hub与Google Cloud Marketplace集成的支持,这使得数据提供者能够更便捷地将他们的数据集发布到Marketplace,扩大数据集的可见性和可访问性。
-
商业信息管理:新增了CommercialInfo消息类型,可附加到Listing(列表)和Subscription(订阅)资源上。这一功能为商业化数据共享场景提供了更好的支持,允许数据提供者添加商业相关信息,如定价、许可条款等。
-
元数据共享控制:在Listing资源中新增了allow_only_metadata_sharing字段,使数据提供者能够精确控制是否仅共享元数据而不共享实际数据内容。这对于需要展示数据目录但暂不开放数据访问的场景非常有用。
-
共享资源类型扩展:在SharedResource消息中新增了routine字段,现在除了可以共享数据集外,还可以共享存储过程(routine),进一步丰富了可共享资源的类型。
-
订阅目标数据集支持:为Subscription资源新增了DestinationDataset字段,允许订阅者指定数据将复制到的目标数据集,提供了更大的灵活性。
-
商业操作增强:在DeleteListingRequest和RevokeSubscriptionRequest中新增了delete_commercial和revoke_commercial选项,为商业化数据共享场景提供了更精细的操作控制。
技术实现与应用场景
这些更新为不同场景下的数据共享提供了更强大的支持:
对于数据市场运营者,CommercialInfo的引入和Marketplace集成支持使得构建商业化数据平台更加容易。数据提供者可以设置商业条款,并通过Marketplace触达更广泛的潜在用户。
对于企业数据治理团队,allow_only_metadata_sharing功能允许他们在确保数据安全的前提下,先展示可用的数据资产目录,待审批通过后再开放实际数据访问,实现更精细的数据治理。
对于数据分析团队,routine共享功能意味着现在可以共享数据分析逻辑而不仅仅是原始数据,促进分析方法和最佳实践的传播。DestinationDataset的支持则让数据订阅后的使用更加灵活。
开发者体验提升
从开发者角度看,这些新功能都通过清晰的API设计暴露出来,保持了Google Cloud客户端库一贯的易用性风格。例如,添加CommercialInfo只需构建相应的消息对象并附加到资源上:
var listing = new Listing
{
CommercialInfo = new CommercialInfo
{
// 设置商业信息
}
// 其他字段...
};
allow_only_metadata_sharing等布尔字段的使用也非常直观,开发者可以轻松理解和使用这些新功能。
总结
Google.Cloud.BigQuery.AnalyticsHub.V1 1.9.0版本的发布显著增强了BigQuery数据共享服务的功能,特别是在商业化场景和企业数据治理方面。通过支持更多类型的资源共享、提供更精细的访问控制以及与Marketplace的集成,Analytics Hub现在能够更好地满足组织在不同场景下的数据共享需求。对于已经在使用或考虑使用BigQuery数据共享服务的开发者来说,这个版本值得升级以利用这些新功能。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust013
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00