RisingWave 2.4.0 版本发布:流数据库的全面进化
RisingWave 是一个开源的分布式流数据库,专为实时数据处理和分析场景设计。它采用了流式计算引擎,能够高效处理持续不断的数据流,同时提供了与传统数据库类似的 SQL 接口,大大降低了实时数据处理的门槛。
核心特性增强
性能分析与优化工具
RisingWave 2.4.0 引入了多项性能分析工具,显著提升了系统可观测性。EXPLAIN ANALYZE 命令现在支持流式作业的实际运行时性能分析,开发人员可以准确了解查询执行过程中的资源消耗情况。新增的 DESCRIBE FRAGMENTS 命令则允许用户检查现有作业的执行片段分布,为性能调优提供了直观依据。
并行处理能力提升
本版本对并行处理能力进行了重要增强,支持为表、索引、视图、sink 和 source 配置独立的 streaming_parallelism 参数。这一改进使得用户能够根据不同类型数据实体的特性,精细调整并行度设置,从而在资源利用率和处理效率之间取得最佳平衡。
数据完整性与安全
约束支持增强
RisingWave 2.4.0 全面支持了 NOT NULL 约束,这一特性同时适用于批处理和流式操作。数据完整性约束的增强使得 RisingWave 能够更好地满足企业级应用对数据质量的要求。
权限管理扩展
权限管理系统在本版本中得到了显著扩展,新增了对连接(connection)、函数(function)和密钥(secret)的权限控制。GRANT 和 REVOKE 命令现在可以管理这些对象的访问权限,同时新增的 has_function_privilege 系统函数提供了便捷的权限检查能力。
连接器生态进化
Iceberg 集成深度优化
RisingWave 2.4.0 对 Apache Iceberg 的集成进行了多项重要改进:
- 支持创建基于 Iceberg 引擎的仅追加表
- 新增
commit_retry_num配置项,可自定义 Iceberg 提交失败时的重试次数 - 增强了对 Azure Blob 存储的支持
- 实现了 Iceberg sink 的精确一次(exactly-once)语义保证
连接器功能扩展
Redis Pub/Sub 消息模式现在可以作为 sink 输出目标,为实时事件通知场景提供了新的选择。同时,2.4.0 版本正式弃用了旧版 S3 source 实现和 Pulsar Iceberg reader,建议用户迁移到新版实现。
系统配置与管理
隔离与稳定性增强
新增的 per_database_isolation 系统参数支持按数据库进行故障隔离,在多租户场景下可以防止单个数据库的问题影响整个集群。ALTER SYSTEM 命令现在能够立即将会话变量变更应用到当前会话,提高了配置管理的实时性。
查询优化控制
引入了两个新的会话变量来优化查询执行:
streaming_enable_materialized_expressions:控制是否启用物化表达式streaming_force_filter_inside_join:强制将过滤条件下推到内连接内部
这些控制参数为高级用户提供了更灵活的查询优化手段。
总结
RisingWave 2.4.0 版本在性能分析工具、并行处理能力、数据完整性、权限管理以及连接器生态等方面都带来了显著改进。这些增强使得 RisingWave 在实时数据处理领域的能力更加全面,同时也提升了系统的稳定性和易用性。对于需要处理实时数据流的企业和应用开发者来说,这个版本提供了更强大的功能和更灵活的控制选项。
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