Doltgresql v0.17.1版本发布:PL/pgSQL功能增强与关键修复
Doltgresql是一个开源的PostgreSQL兼容数据库,它结合了Git版本控制功能与PostgreSQL的强大特性。该项目旨在为开发者提供能够像管理代码一样管理数据库的能力,支持分支、合并、回滚等版本控制操作。
PL/pgSQL功能持续完善
本次发布的v0.17.1版本在PL/pgSQL存储过程语言支持方面取得了显著进展。开发团队新增了对多种循环结构和控制流的支持:
-
WHILE循环:现在开发者可以在PL/pgSQL中使用WHILE循环结构,为复杂逻辑处理提供了更多灵活性。虽然当前版本尚未支持循环标签,但基础功能已经可用。
-
NULL语句支持:NULL语句在PL/pgSQL中作为空操作指令,常用于占位或明确表示不做任何操作的情况。该版本通过底层解析器自动过滤处理NULL语句,确保了兼容性。
-
SELECT INTO和PERFORM语句:这两个关键语句的加入使得PL/pgSQL能够更灵活地处理查询结果。SELECT INTO允许将查询结果直接存入变量,而PERFORM则用于执行查询但丢弃结果,常用于存在性检查等场景。
关键问题修复
-
函数执行问题:修复了CREATE FUNCTION语句在某些情况下不执行内部语句的问题。这是由于不同语句对RowIter迭代器的处理方式不一致导致的,现在统一确保迭代器始终前进。
-
备份恢复权限:解决了超级用户在备份恢复操作中的权限问题,确保系统管理员能够正常执行关键维护任务。
-
键类型支持扩展:改进了多种数据类型在键中的使用支持,包括:
- 替换了表创建验证规则
- 优化了类型最大宽度计算逻辑
- 调整了键列编码类型的确定方式,使其与非键情况更加一致
技术实现细节
在PL/pgSQL实现方面,开发团队特别注意了操作码偏移量的正确计算。通过使用OperationSizeForStatements方法,确保了Goto等跳转指令能够准确定位目标位置。虽然测试用例没有暴露这个问题,但团队主动进行了修复,体现了对代码质量的严格要求。
对于键类型支持的改进,团队采用了更加精确的类型宽度计算方法,这直接影响了存储引擎对标准扩展编码和扩展地址编码的选择策略。这些底层优化虽然对用户透明,但显著提升了系统的稳定性和兼容性。
未来展望
尽管v0.17.1版本已经解决了许多关键问题,开发团队仍在继续完善PL/pgSQL支持。当前已知的一个挑战是某些语句在解释执行时可能被静默丢弃的问题,这将是下一个重点攻关方向。此外,团队也计划全面改进类型存储机制,为后续实现TOAST语义做准备。
这个版本再次证明了Doltgresql项目在PostgreSQL兼容性和版本控制功能融合方面的持续进步,为开发者提供了更强大、更可靠的数据库管理工具。
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