async-profiler v4.0 发布:热力图与本地内存分析功能全面升级
async-profiler 是一款高性能的 Java 应用性能分析工具,它能够以极低的开销收集 Java 应用的 CPU 使用、内存分配、锁竞争等关键性能数据。该工具通过创新的采样技术,避免了传统性能分析工具带来的显著性能下降问题,使其成为生产环境性能监控的理想选择。
核心功能增强
本次 v4.0 版本带来了多项重大功能升级,其中最引人注目的是交互式热力图和本地内存泄漏分析器。
交互式热力图功能
新引入的热力图功能(#944)为性能分析提供了全新的可视化维度。热力图能够直观展示方法在不同时间点的调用频率和资源消耗情况,帮助开发者快速识别性能波动模式。与传统的火焰图相比,热力图特别适合分析时间序列数据,能够清晰展现性能问题的演变过程。
本地内存泄漏分析
本地内存泄漏分析器(#1064)是另一个重要突破。该功能能够追踪本地代码(C/C++)中的内存分配和释放情况,帮助开发者发现 JNI 代码或本地库中的内存泄漏问题。这对于混合语言开发的应用尤为重要,填补了 Java 生态中本地内存分析的空白。
性能分析与转换工具改进
JFR 转换工具增强
jfrconv 二进制工具(#895, #905)经过全面升级,现在支持更多转换选项和更高效的 JFR 文件处理。新增的 --grain 选项(#1018)允许用户控制火焰图的粒度,便于在不同抽象层次上分析性能问题。
分析模式优化
CPU 分析模式(#1007)现在使用 ExecutionSample 事件,而墙钟分析则使用 WallClockSample 事件,这种区分使得分析结果更加精确。新增的 --nostop 选项(#1046)允许分析在指定的时间窗口之外继续运行,为长期监控提供了便利。
平台兼容性与稳定性提升
多平台支持
v4.0 版本显著提升了跨平台兼容性:
- 完整支持 JDK 23+(#923)
- 解决了 musl 和 glibc 的兼容性问题(#952)
- 静态链接 libstdc++ 提高了部署便利性
- 新增
--libpath选项(#955)简化了容器环境中的部署
稳定性改进
多项稳定性修复确保了工具在各种环境下的可靠运行:
- 修复了 macOS 上使用线程过滤器时的崩溃问题(#1143)
- 解决了并发加载库时的解析问题(#1125)
- 改进了 ARM64 架构的堆栈遍历可靠性
- 修复了与 jemalloc/tcmalloc 分析器可能导致的死锁(#1147, #1151)
开发者体验优化
可视化工具增强
火焰图查看器增加了多项实用功能:
- Alt+点击可移除特定调用栈(#896)
- N/Shift+N 快捷键快速导航搜索结果(#1097)
--inverted选项(#1178)支持垂直翻转火焰图- 保留线程分组信息当反转火焰图时(#1182)
分析与调试支持
- 新增显示指令地址的选项(#1002)
- 支持同时收集分配和存活对象追踪数据(#1009)
- 可选择在内存中累积 JFR 事件而非立即写入文件(#925)
- 从 debuginfod 缓存加载符号(#929)
- 更精确的采样计数器,减少遗漏样本的影响(#1068)
项目基础设施升级
v4.0 版本在项目维护和质量保证方面也有显著提升:
- 文档结构全面重组和更新
- 引入测试框架并增加大量集成测试
- 为 C++ 代码添加单元测试框架
- 在 CI 中覆盖所有支持平台
- 增加静态分析检查并修复发现的问题
- 提供 Dockerfile 简化构建过程
- 自动发布每日构建版本
总结
async-profiler v4.0 通过引入热力图和本地内存分析等创新功能,进一步巩固了其作为 Java 性能分析领域领先工具的地位。平台兼容性的提升和稳定性的改进使其更适合生产环境部署,而开发者体验的优化则让性能分析工作更加高效。这些改进使得开发者能够以更低的开销获取更全面的性能数据,从而更快速地定位和解决性能瓶颈问题。
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