GreptimeDB v0.12.0 夜间版发布:日志查询增强与性能优化
GreptimeDB 是一款开源的分布式时序数据库,专注于处理大规模时序数据场景。它结合了时序数据库的高效存储和查询能力,同时提供了分布式系统的扩展性和可靠性。最新发布的 v0.12.0 夜间版本带来了多项重要改进,特别是在日志查询功能、PromQL 兼容性和系统性能方面。
日志查询功能增强
本次版本对日志查询功能进行了显著增强。开发团队实现了对 BETWEEN 过滤器的支持,允许用户指定时间范围的包含/排除边界条件。这一改进使得日志查询更加精确,用户可以更灵活地控制查询范围。
此外,团队还完成了日志查询表达式(Log Query Expr)的第一阶段实现,为后续更复杂的日志分析功能奠定了基础。日志查询是时序数据库的重要应用场景,这些增强使得 GreptimeDB 在日志分析领域的竞争力进一步提升。
PromQL 兼容性改进
在 PromQL 支持方面,本次更新修复了多个关键问题:
- 修正了处理不存在列时的行为,确保查询结果符合预期
- 优化了 AND/UNLESS 运算符的实现逻辑
- 修复了 OR 运算符上下文字段列的更新问题
- 增加了对 sort、sort_desc 等函数的支持
这些改进使得 GreptimeDB 的 PromQL 实现更加完善,能够更好地兼容现有的 Prometheus 查询生态,方便用户从 Prometheus 迁移到 GreptimeDB。
性能优化与稳定性提升
在系统性能方面,本次更新包含多项优化:
- 实现了窗口排序对别名时间索引的支持,提高了特定查询场景的性能
- 增加了对 UNNEST 操作的支持,优化了嵌套数据结构的处理
- 改进了 EXPLAIN ANALYZE 功能,现在支持生成 JSON 格式的输出,便于程序化分析查询计划
- 默认不再为物理表创建倒排索引,减少了不必要的存储开销
这些优化从不同角度提升了系统的整体性能,特别是在处理复杂查询和大规模数据时效果更为明显。
分布式功能增强
在分布式能力方面,本次更新包含以下改进:
- 节点心跳信息中增加了 CPU 核心数的上报,为负载均衡提供更多依据
- 实现了流式处理(flow)类型的创建支持
- 改进了流式路由地址的重映射功能
- 统一了传递给存储阶段的 puffin 文件命名规范
这些改进增强了 GreptimeDB 在分布式环境下的运行稳定性和资源管理能力。
监控与管理改进
在可观测性方面,本次更新:
- 增加了存储阶段(stager)的指标收集
- 改进了 Grafana 监控面板
- 更新了仪表板到 v0.7.10 版本
- 支持了 Loki 的结构化元数据摄入
这些改进使得系统管理员能够更全面地监控 GreptimeDB 的运行状态,及时发现和解决问题。
其他重要修复
- 修复了 information_schema.cluster_info 可能被相同 ID 覆盖的问题
- 优化了 Prometheus 查询处理器的 Gzip 压缩支持
- 实现了 UDDSketch 函数用于百分位数计算
- 改进了 SQLness 测试框架,支持并行执行测试用例
总结
GreptimeDB v0.12.0 夜间版在日志查询、PromQL 兼容性、系统性能和分布式能力等方面都有显著提升。这些改进使得 GreptimeDB 更适合处理大规模时序数据和日志分析场景,为正式版的发布奠定了坚实基础。开发团队持续关注用户体验和系统稳定性,通过不断优化使 GreptimeDB 成为时序数据库领域的有力竞争者。
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