Medplum医疗平台v4.1.1版本发布:稳定性与功能增强
Medplum是一个开源的医疗健康数据平台,专注于为开发者提供构建医疗应用程序所需的核心功能。该平台基于FHIR标准,提供了数据存储、用户管理、API接口等基础设施,使开发者能够快速构建符合医疗行业规范的应用程序。
近日,Medplum发布了v4.1.1版本,这是一个维护性更新,主要针对系统稳定性和已有功能的改进。本文将详细介绍这个版本中的关键更新内容。
用户管理与安全增强
在用户管理方面,v4.1.1版本做了几项重要改进。首先解决了重复邀请用户的问题,防止系统发送重复的邀请邮件。其次,为邀请端点添加了项目范围限制,增强了安全性。此外,还允许管理员设置访问策略,提供了更灵活的权限管理方式。
认证方面,新增了对Google认证和注册禁用功能的测试,确保这些关键功能的稳定性。这些改进使得Medplum在用户管理和认证方面的功能更加健壮。
数据处理与性能优化
数据处理方面有几个值得注意的改进。首先是增强了资源写入的健壮性,现在能够正确处理null或undefined的数组项,避免了潜在的数据处理错误。
数据库性能方面,修复了Reindex作业中的多个问题,包括正确设置statement_timeout参数。还添加了部署后迁移来分析主资源表,并允许管理员运行ANALYZE查询,这些都有助于提升数据库查询性能。
文档与CMS 1500 PDF导出
文档系统有多处更新,包括修复了多个损坏的GitHub链接,更新了调度文档以嵌入视频和添加调度演示,增加了关于完整堆栈Docker Compose的文档,以及更新了速率限制文档。
特别值得注意的是CMS 1500 PDF导出功能的改进。修复了PDF导出中的写流问题,确保以二进制格式正确写入。这一功能对于医疗账单处理非常重要。
网络服务与Windows支持
网络服务方面,v4.1.1版本增加了Windows服务崩溃后自动重启的功能,提高了在Windows环境下的稳定性。同时,网络安装程序也得到了更新。
开发工具与测试改进
开发流程方面,移除了Danger JS及其GitHub Action,简化了开发工具链。增加了对字符串化行为的测试,帮助开发者更好地理解系统行为。
构建与部署优化
构建系统有多处改进,包括正确处理文件路径、在Docker构建中包含静态文件夹等。这些改进使得构建过程更加可靠。
总结
Medplum v4.1.1版本虽然没有引入重大新功能,但在系统稳定性、安全性和已有功能的完善方面做了大量工作。从用户管理到数据处理,从文档完善到构建优化,这个版本全面提升了平台的可靠性和易用性。对于医疗应用开发者来说,升级到这个版本将获得更稳定、更安全的开发体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- 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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00