Odigos v1.0.166版本发布:新增三大云服务监控目标支持
Odigos是一个开源的分布式追踪和可观测性平台,它能够自动检测应用程序中的追踪点并收集遥测数据。最新发布的v1.0.166版本带来了多项重要更新,特别是新增了对AWS EMF、阿里云和Seq三大监控目标的集成支持,进一步扩展了Odigos在云原生环境中的应用场景。
核心功能更新
AWS EMF目标支持
新版本增加了对AWS Embedded Metric Format (EMF)的支持,这使得Odigos能够直接将指标数据发送到Amazon CloudWatch。EMF是AWS专为CloudWatch设计的一种指标格式,它允许开发者以结构化的方式定义和发送自定义指标。通过这一集成,用户无需额外配置转换层,即可将应用指标无缝对接CloudWatch服务。
阿里云监控集成
针对中国市场的需求,v1.0.166版本新增了对阿里云监控服务的支持。阿里云作为国内领先的云服务提供商,其监控服务被众多企业采用。这一集成使得使用阿里云基础设施的用户能够直接将应用性能指标和追踪数据发送到阿里云监控平台,实现统一的监控视图。
Seq日志服务器支持
Seq是一款流行的结构化日志服务器,新版本增加了对Seq的支持。开发者现在可以将应用日志直接发送到Seq服务器,利用其强大的搜索、过滤和可视化功能来分析应用日志。这对于.NET生态系统的用户尤其有价值,因为Seq最初就是为.NET应用设计的。
技术优化与改进
Java环境变量优化
在Java自动检测方面,新版本优化了环境变量的设置逻辑。现在当多个选项被定义时,Odigos只会设置一个环境变量,避免了潜在的配置冲突。这一改进提高了Java应用的稳定性,特别是在复杂部署环境中。
数据过滤增强
数据过滤功能得到了增强,现在Odigos会始终执行过滤操作,确保只有符合条件的数据会被收集和传输。这有助于减少不必要的网络流量和存储开销,特别是在高负载环境中。
开发者体验提升
多平台CLI工具
新版本继续提供跨平台的CLI工具支持,包括macOS(amd64/arm64)、Linux(amd64/arm64)和Windows(amd64/arm64)平台。开发者可以根据自己的开发环境选择合适的版本,享受一致的命令行体验。
Helm Chart更新
对应的Helm Chart也同步更新至1.0.166版本,Kubernetes用户可以通过熟悉的Helm工具快速部署最新版本的Odigos。Chart包大小保持在26KB,保持了轻量级的特点。
总结
Odigos v1.0.166版本通过新增三大云服务监控目标的支持,进一步巩固了其在云原生可观测性领域的地位。无论是使用AWS、阿里云还是Seq的用户,现在都能更便捷地将Odigos集成到自己的监控体系中。同时,在Java支持和数据过滤方面的优化,也体现了项目对稳定性和效率的持续追求。对于正在构建现代化可观测性体系的团队来说,这个版本值得考虑升级。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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