OpenTelemetry JavaScript 语义约定 v1.32.0 版本更新解析
OpenTelemetry 是一个开源的观测性框架,它提供了一套工具、API 和 SDK,用于生成、收集和导出遥测数据(指标、日志和追踪)。其中语义约定(Semantic Conventions)是 OpenTelemetry 项目中定义的一套标准化属性和指标名称,用于确保不同系统和组件之间数据的一致性和互操作性。
本次发布的 OpenTelemetry JavaScript 语义约定 v1.32.0 版本主要带来了 Python GC 相关指标、日志处理相关指标以及一些新的属性定义。这些更新将帮助开发者更全面地监控应用程序的运行状态,特别是在 Python 环境和日志处理方面。
Python GC 监控指标
新版本增加了三个与 Python 垃圾回收(GC)相关的指标,这对于使用 Python 的开发者来说特别有价值:
cpython.gc.collected_objects:记录垃圾回收器收集的对象数量cpython.gc.collections:记录垃圾回收发生的次数cpython.gc.uncollectable_objects:记录无法回收的对象数量
同时新增了 cpython.gc.generation 属性,用于标识垃圾回收的代数,包含三个可能的值:0(第0代)、1(第1代)和2(第2代)。这些指标和属性可以帮助开发者更好地理解和优化 Python 应用程序的内存使用情况。
日志处理相关指标
v1.32.0 版本还引入了一系列与日志处理相关的指标,这些指标主要关注 SDK 内部的日志处理流程:
-
导出相关指标:
otel.sdk.exporter.log.exported:记录已导出的日志数量otel.sdk.exporter.log.inflight:记录正在处理中的日志数量
-
处理器相关指标:
otel.sdk.processor.log.processed:记录已处理的日志数量otel.sdk.processor.log.queue.capacity:记录日志队列的容量otel.sdk.processor.log.queue.size:记录日志队列当前的大小
-
创建指标:
otel.sdk.log.created:记录创建的日志数量
这些指标为开发者提供了对日志处理管道的全面可见性,有助于诊断日志处理中的瓶颈和问题。
新增属性与枚举值
本次更新还引入了多个新的属性和枚举值:
-
错误相关:
error.message:用于记录错误的具体消息内容
-
数据库相关:
db.stored_procedure.name:用于标识存储过程的名称
-
版本控制系统相关:
vcs.owner.name:代码仓库所有者的名称vcs.provider.name:代码托管平台的名称,支持包括 GitHub、GitLab、Bitbucket 等主流平台
-
功能标志相关:
feature_flag.result.reason:替换了原有的feature_flag.evaluation.reason,新增了更多可能的原因值feature_flag.result.variant:替换了原有的feature_flag.variant
-
Google Cloud App Hub 相关:
- 新增了多个与 GCP App Hub 服务相关的属性,包括应用、服务和负载的关键性类型和环境类型等
组件类型扩展
在组件类型方面,新增了多个与日志处理器和导出器相关的类型定义,包括批处理日志处理器、简单日志处理器以及各种 OTLP 日志导出器类型。这些定义有助于更精确地标识和分类日志处理组件。
总结
OpenTelemetry JavaScript 语义约定 v1.32.0 版本的更新主要集中在三个方面:Python GC 监控、日志处理管道可见性以及各种新属性的添加。这些更新为开发者提供了更丰富的观测能力,特别是在 Python 应用程序和日志处理方面。通过采用这些标准化的语义约定,开发者可以确保他们的观测数据与 OpenTelemetry 生态系统中的其他组件保持兼容,同时也能够更全面地了解应用程序的运行状况。
对于已经在使用 OpenTelemetry 的项目,建议逐步评估和采用这些新特性,特别是那些涉及替换已弃用属性的变更。对于新项目,则可以直接采用最新版本的语义约定,以获得最全面的观测能力。
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