Spring Modulith 1.4 RC1发布:模块化架构支持再升级
项目简介
Spring Modulith是Spring生态系统中的一个重要项目,它专注于帮助开发者构建和维护模块化应用程序。在微服务架构盛行的今天,Spring Modulith提供了一种替代方案,允许开发者在单体应用中实现清晰的模块边界,同时保持模块间的松耦合。这种方式特别适合那些需要模块化但又不适合完全拆分为微服务的应用场景。
1.4 RC1版本核心改进
模块结构分析能力增强
新版本对模块结构的分析能力进行了显著提升。ApplicationModules现在能够直接暴露根包信息,而ApplicationModule则可以展示内部类型细节。这些改进使得开发者能够更清晰地了解应用模块的组织结构,便于进行架构审查和重构。
性能优化
本次发布重点关注了性能方面的改进,特别是在事件处理方面:
- 优化了模块可观测性监听器在发布事件时的性能问题
- 改进了事件发布查找的性能瓶颈
- 状态变更检测现在默认只接受非空集合,减少了不必要的处理开销
这些优化使得在大型应用中处理事件时能够获得更好的性能表现。
文档与API改进
文档渲染方面,新版本改进了树形结构在参考文档中的展示效果,使得模块间的依赖关系更加直观。API方面,移除了已弃用的FormatableType,并修复了FormattableType.getAbbreviatedTypeName()在处理嵌套类时跳过包含类的问题。
注解处理增强
修复了@NamedInterface在组合注解上无法被正确检测到的问题,同时完善了Kotlin语言在模块和命名接口声明方面的示例代码,为Kotlin开发者提供了更好的支持。
技术细节解析
模块边界控制
Spring Modulith通过分析包结构来定义模块边界。1.4 RC1版本使得这些边界更加明确和可控:
- 开发者现在可以轻松获取模块的根包信息,便于自动化工具处理
- 内部类型的暴露使得模块间的可见性控制更加精细
- 改进的树形结构展示帮助开发者直观理解模块层级
事件处理优化
事件驱动架构是模块化应用中的重要模式。新版本通过以下方式优化了事件处理:
- 减少了事件发布时的性能开销
- 改进了事件类型查找效率
- 增加了事件外部化配置的日志输出,便于调试
状态管理改进
状态变更检测现在默认忽略空集合,这一改变符合大多数实际应用场景的需求,避免了不必要的状态变更通知,同时提高了系统性能。
兼容性与升级建议
1.4 RC1版本与Spring Boot 3.5 RC1保持同步,同时升级了Micrometer Tracing和jMolecules等关键依赖。对于正在使用Spring Modulith的项目,建议:
- 首先在测试环境中验证新版本
- 关注已移除的API(如
FormatableType)并进行相应替换 - 利用新的模块分析能力优化现有架构
- 测试事件处理性能是否有所提升
总结
Spring Modulith 1.4 RC1版本在模块化支持、性能优化和开发者体验方面都做出了显著改进。这些变化使得构建和维护模块化Spring应用变得更加高效和直观。对于追求清晰架构边界同时又需要保持单体部署优势的项目来说,这个版本值得关注和尝试。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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