Apollo Router v1.60.0 版本发布:性能优化与错误处理增强
Apollo Router 是一个高性能的 GraphQL 网关,用于构建和管理 GraphQL API。作为 GraphQL 生态系统中的重要组件,它能够聚合多个后端服务的数据,并提供统一的 GraphQL 接口。最新发布的 v1.60.0 版本带来了一系列性能优化和错误处理改进,进一步提升了路由器的稳定性和效率。
性能优化亮点
本次版本在多个方面进行了性能优化,显著提升了路由器的处理能力:
-
查询哈希算法改进:采用预计算模式哈希的新算法,简化了查询哈希过程,降低了 CPU 和内存使用量。这种优化使得哈希计算更加高效且资源消耗更可预测。
-
需求控制性能提升:通过将更多数据计算移至插件初始化阶段,并合并查找查询,优化了需求控制的性能。具体改进包括将参数的成本指令与字段定义存储在一起,以及减少响应评分时的查找次数。
-
系统运行数据优化:修复了自 v1.59.0 版本以来因使用
sysinfo库导致的内存使用增加问题。通过禁用不必要的并行处理和系统进程数据收集,减少了约 150MB 的内存占用。
错误处理与稳定性增强
-
无效错误路径处理:现在当子图返回包含无效路径的错误时,路由器会将这些路径截断至最近的合法字段路径,而不是静默丢弃错误。这符合 GraphQL 规范要求,确保错误能够正确关联到响应字段。
-
订阅操作初始化修复:解决了订阅节点中主节点操作初始化问题,确保其与其他查询计划节点采用相同的初始化方式。
-
子图请求头修复:恢复了在 v1.59.0 中被意外移除的 Content-Length 头,确保与依赖此头的 GraphQL 服务器的兼容性。
监控与可观测性改进
新增了批处理器指标,帮助用户更好地观察和调整批处理设置:
- 新增
apollo.router.telemetry.batch_processor.errors指标,用于监控导出批处理器遇到的错误数量 - 改进了丢弃 span 的日志消息,现在会明确指出受影响的批处理器
架构与维护更新
-
移除传统查询规划器:完全移除了传统查询规划器及其相关配置选项,包括
experimental_query_planner_mode、supergraph.query_planning.experimental_parallelism和supergraph.experimental_reuse_query_fragments。 -
指标迁移:将多个基于
tracing的遗留指标迁移到 OpenTelemetry 仪器,提升了指标系统的现代化程度和一致性。 -
移除实验性重试选项:由于使用有限且功能不完善,移除了
experimental_retry选项。
文档完善
为路由器遥测功能新增了常见用例的配置示例,包括选择器和条件的使用示例,帮助用户更快上手相关功能配置。
Apollo Router v1.60.0 通过这些改进,进一步巩固了其作为高性能 GraphQL 网关的地位,为用户提供了更稳定、更高效的 GraphQL 服务聚合能力。特别是性能优化方面的改进,使得路由器在处理复杂查询和大规模请求时表现更加出色。
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-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
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