pgrx v0.14.0 发布:支持 Windows 平台与多项重要更新
pgrx 是一个用于开发 PostgreSQL 扩展的 Rust 框架,它允许开发者使用 Rust 语言编写高性能、安全的数据库扩展。最新发布的 v0.14.0 版本带来了多项重要更新,其中最引人注目的是对 Windows 平台的支持,这标志着 pgrx 框架跨平台能力的重要突破。
Windows 平台支持
v0.14.0 版本首次正式支持 Windows 平台,这是一个重要的里程碑。在 Windows 上使用 pgrx 开发 PostgreSQL 扩展时,需要注意以下几点关键事项:
-
必须启用 pgrx 的
cshim特性,可以通过在项目的 Cargo.toml 中配置或使用cargo build --features pgrx/cshim命令来启用。 -
编译器现在会将代码和数据放在不同的段(section)中,这是 Windows 平台的特殊要求。
-
所有标记为
#[pg_guard]的函数现在必须使用"C-unwind"ABI(应用二进制接口),这一变更不仅适用于 Windows,也适用于所有支持的平台。"C-unwind"ABI 允许异常在跨语言边界时正确展开堆栈,这对于保证程序在异常情况下的正确行为至关重要。
重要变更与改进
移除对 PostgreSQL 12 的支持
v0.14.0 正式移除了对 PostgreSQL 12 的支持。如果项目仍需支持 PostgreSQL 12,需要将依赖锁定在 pgrx v0.13.1 版本。这一变更反映了项目对保持现代性和维护效率的考量。
API 变更与改进
-
DatumWithOid 增强:新增了
new_from_datum和null_oid方法,提供了更灵活的方式来处理带有 OID 的数据。 -
统计信息支持:实现了
pgstat宏,使得扩展可以更方便地收集和报告统计信息。 -
OID 类型改进:为
Oid类型实现了Displaytrait,并重命名了as_u32方法为to_u32,使其更符合 Rust 的命名惯例。 -
事务 ID 支持:新增了对 PostgreSQL 事务 ID (
xid) 类型的映射支持,现在可以在#[pg_extern]函数中使用pg_sys::TransactionId作为参数或返回类型。
性能优化
-
数组处理优化:通过消除中间 Vec 分配,优化了数组的
IntoDatum实现,减少了内存分配和复制操作。 -
高效操作:新增了
PgHeapTuple::set_by_index_unchecked方法,为需要极致性能的场景提供了不进行检查的版本。
新增 PostgreSQL 头文件支持
v0.14.0 包含了更多 PostgreSQL 内部头文件的绑定,为开发者提供了更全面的底层访问能力:
- 存储层内部结构 (
storage/buf_internals.h) - 文本搜索缓存 (
tsearch/ts_cache.h) - 表空间缓存 (
utils/spccache.h) - 分区相关头文件
这些新增的头文件绑定使得开发者能够实现更复杂、更底层的数据库功能。
开发者体验改进
-
交叉编译支持:现在可以更方便地为不同目标平台编译扩展。
-
代码质量提升:进行了大量的代码清理和 lint 修正,提高了代码的整体质量。
-
文档改进:修正了多处文档错误,并更新了 Windows 平台的使用说明。
升级建议
升级到 v0.14.0 时,开发者需要注意以下几点:
-
检查所有使用
#[pg_guard]的函数,确保它们使用"C-unwind"ABI。 -
更新
PgLwLock和PgAtomic的使用方式,因为这些类型的构造函数现在需要名称参数。 -
在 Linux 上使用
--runas选项前,需要先执行sudo sysctl fs.protected_fifos=0来调整内核设置。 -
如果项目仍需要支持 PostgreSQL 12,需要明确锁定 pgrx 依赖版本为 0.13.1。
pgrx v0.14.0 的这些改进和新特性,特别是 Windows 平台支持,大大扩展了 Rust 开发 PostgreSQL 扩展的可能性,为开发者提供了更强大、更灵活的工具集。
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-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