Redisson 3.47.0发布:分布式队列增强与性能优化
Redisson项目简介
Redisson是一个基于Redis的Java客户端,它不仅提供了对Redis基础数据结构的封装,还在此基础上实现了丰富的分布式Java对象和服务。作为一个成熟的Redis客户端框架,Redisson简化了在分布式环境中开发复杂应用的过程,提供了分布式锁、队列、集合、Map等高级数据结构,以及分布式服务如远程服务、定时任务等。
版本亮点解析
可靠的分布式队列增强
3.47.0版本对RReliableQueue进行了重大改进,新增了ReliableFanout对象,这是一种可靠的发布-订阅模式实现。与传统的Redis Pub/Sub不同,ReliableFanout保证了消息的可靠传递,即使在消费者暂时不可用时也不会丢失消息。
RReliableQueue现在支持两种处理模式:
- 单消费者模式:传统的队列模式,消息被一个消费者消费
- 多消费者模式:类似Kafka的消费者组模式,多个消费者可以并行处理消息
新版本还引入了监听器机制,开发者可以注册消费者监听器来接收队列状态变化的通知。同时,队列现在提供了丰富的度量指标,包括待处理消息数、处理中的消息数等,便于监控队列健康状况。
性能优化与稳定性提升
在底层连接管理方面,修复了多个可能导致连接泄漏的问题。特别是在哨兵模式下,新版本优化了故障转移后的连接管理,避免了为每个写操作创建新连接的问题。
对于集群环境中的RMap.loadAll()方法可能挂起的问题进行了修复,提升了大规模数据加载的可靠性。同时改进了"WAIT"和"WAITAOF"命令的可用性检测机制,使复制相关操作更加健壮。
数据结构功能扩展
RScoredSortedSet新增了多个集合操作相关方法:
- readDiffEntries:读取差集条目
- readIntersectionEntries:读取交集条目
- readUnionEntries:读取并集条目
这些方法为需要复杂集合运算的场景提供了更高效的实现方式。
框架整合改进
Spring生态整合增强
修复了Spring Cache.getNativeCache()返回错误实例的问题,确保了与Spring Cache抽象的更好兼容。对于Spring Data Redis的ReactiveZSetCommands.zadd()方法的默认参数进行了修正,使API行为更加符合预期。
特别值得注意的是,修复了Spring Data Redis中addMessageListener()方法在向同一主题或模式添加多个监听器时可能挂起的问题,提升了高并发订阅场景下的稳定性。
Micronaut支持改进
针对Micronaut 4.x版本,修复了只能连接到单个节点的问题,现在可以正确识别和连接Redis集群中的所有节点。
开发者建议
对于正在使用或考虑使用Redisson的开发者,3.47.0版本带来了多项值得关注的改进:
- 对于需要可靠消息传递的场景,建议评估新的RReliableQueue功能和ReliableFanout对象
- 在Spring生态中使用Redisson时,可以考虑升级以获得更稳定的消息监听体验
- 对于使用集群模式的用户,新版本解决了多个稳定性问题,建议优先升级
- 新增的集合操作方法可以简化某些业务逻辑的实现,值得在代码审查时关注
这个版本的改进主要集中在分布式队列的可靠性和功能性增强,以及底层稳定性的提升,体现了Redisson项目对生产环境需求的持续关注。
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