Next-Terminal v2.5.0 版本发布:安全网关与资产管理全面升级
Next-Terminal 是一款开源的终端管理工具,它提供了安全可靠的远程访问、资产管理以及会话监控等功能。作为一款现代化的运维工具,Next-Terminal 致力于简化运维人员的工作流程,同时保障系统访问的安全性。
安全网关功能重大升级
本次 v2.5.0 版本对安全网关进行了多项重要改进,其中最值得注意的是通信协议从原有的协议切换为 WebSocket。这一变更带来了更稳定、更高效的通信能力,但需要注意的是,这一升级不兼容之前注册的终端设备,用户需要重新注册终端设备才能正常使用。
安全网关新增了监控功能,运维团队现在可以实时查看网关的运行状态和性能指标。同时引入的令牌管理功能为访问控制提供了更细粒度的权限管理能力,管理员可以更灵活地控制终端访问权限。
资产管理功能优化
资产管理模块在本版本中获得了多项用户体验改进:
-
资产添加界面从传统的弹窗模式升级为抽屉样式,提供了更大的操作空间和更流畅的用户体验。
-
资产列表现在支持网络地址的展示与过滤功能,方便运维人员快速定位特定网段的资产。
-
资产描述信息增加了鼠标悬浮查看完整内容的功能,解决了长文本显示不全的问题。
-
用户和用户组资产授权界面改为树形选择框形式,使得大规模资产授权操作更加直观高效。
-
Web 资产模块的口令输入框升级为密码输入框,增强了敏感信息的安全性。
终端访问体验改进
在终端访问方面,v2.5.0 版本修复了多个影响用户体验的问题:
- 修复了终端会话无法强制关闭的问题,增强了会话管理的可靠性。
- 解决了终端接入时"选中复制"和"右键粘贴"功能无效的问题。
- 接入页面现在屏蔽了F1-F12功能键,防止意外操作干扰终端会话。
- 优化了登陆页面OTP认证流程,用户现在可以返回上一步重新操作。
网络诊断工具增强
网络诊断功能获得了重要改进:
- 修复了traceroute模块的权限问题,确保诊断工具能够正常运行。
- 增加了ping和tcping的次数限制功能,防止因误操作导致的过度探测。
证书管理统一化
v2.5.0 版本对证书管理进行了重大重构:
- 实现了证书的统一管理,简化了证书维护工作。
- 增加了定时任务自动续签证书功能,确保证书不会意外过期。
- 反向代理证书设置进行了不兼容性更新,用户需要重新配置相关设置。
SSH 安全增强
SSH 服务器新增了禁用密码登录功能,进一步提升了系统的安全性。管理员现在可以强制要求使用密钥认证,减少未经授权访问的风险。
总结
Next-Terminal v2.5.0 版本带来了全面的功能升级和安全增强,特别是在安全网关、资产管理和证书管理方面进行了重大改进。虽然部分变更存在不兼容性,但这些改进为系统带来了更高的安全性和更好的用户体验。建议所有用户尽快升级到新版本,以获取这些改进带来的好处。
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