HyperDX API 2.0.0版本发布:全面增强可观测性能力
HyperDX是一个开源的云原生可观测性平台,专注于为开发者提供日志、指标、追踪等数据的统一收集、存储和分析能力。最新发布的@hyperdx/api@2.0.0版本带来了多项重要改进,显著提升了系统的功能性、稳定性和用户体验。
核心功能增强
本次2.0.0版本在指标查询方面进行了重大改进。对于依赖数值聚合的查询,现在当处理非数值数据时会使用类型的默认值(如0)替代null,这一改变使得数据展示更加合理,避免了null值带来的显示问题。同时,新增了对多种OTEL(OpenTelemetry)指标类型的支持,包括直方图、摘要和指数直方图等,极大地丰富了指标收集和分析的能力。
在图表配置方面,引入了queryChartConfig方法和事件图表比例功能,使得图表展示更加灵活和精确。同时新增了convertV1ChartConfigToV2方法,实现了从旧版图表配置到新版的无缝迁移。
性能优化与架构改进
2.0.0版本对系统架构进行了多项优化。通过采用clickhouse-js作为所有客户端查询的统一接口,显著提升了查询效率和稳定性。同时实现了ClickHouse代理中间件的单例模式,减少了资源消耗。
在构建系统方面,引入了"all-in-one"多阶段构建方案,统一了认证和非认证场景的构建流程,简化了部署过程。新增了RUN_SCHEDULED_TASKS_EXTERNALLY配置选项,允许更灵活地调度后台任务。
安全与认证增强
新版本改进了认证机制,支持通过OpAMP在OTel收集器中使用摄取密钥进行认证,增强了数据收集过程的安全性。同时移除了webhook数量的限制,为集成更多外部系统提供了便利。
错误处理与用户体验
在错误处理方面,2.0.0版本确保来自代理的错误能够正确显示给用户,提升了调试效率。修复了警报时间范围过滤的bug,以及处理非OTEL跨度(如ClickHouse OpenTelemetry跨度日志)时的显示问题。
对于开发者体验,新增了OpenAPI文档注解和Swagger路由,方便API的开发和测试。同时提供了外部API接口,支持对警报和仪表板的操作,增强了系统的可集成性。
测试与质量保证
新版本增加了大量测试用例,包括直方图指标查询、webhook和源路由等关键功能。重构了renderWith逻辑以简化代码并增加测试覆盖率。这些改进显著提升了系统的稳定性和可靠性。
总结
HyperDX API 2.0.0版本是一次全面的升级,在功能丰富性、系统性能和开发者体验等方面都有显著提升。特别是对OpenTelemetry标准的深度支持,使得它能够更好地融入现代云原生观测体系。这些改进使得HyperDX作为一个开源可观测性平台,能够为开发者提供更强大、更可靠的服务。
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