go-pay/gopay 1.5.110版本发布:支付SDK功能全面升级
go-pay/gopay是一个专注于支付集成的Go语言SDK,它为开发者提供了对接主流支付平台的便捷接口。该项目支持包括支付宝、微信支付、PayPal等在内的多种支付渠道,通过简洁的API设计帮助开发者快速实现支付功能集成。
核心升级内容
1. 微信V3接口增强
本次版本对微信V3接口进行了两项重要改进:
-
自动验签功能:新增了
AutoVerifySignByPublicKey()方法,实现了微信公钥自动验签功能。这个改进简化了开发者处理支付回调验证的流程,不再需要手动处理复杂的签名验证逻辑。 -
错误处理优化:每个业务方法都优化了错误判断的优先级,并增加了
ErrResponse字段。这使得错误信息更加清晰明确,开发者可以更准确地定位和处理支付过程中的异常情况。
2. PayPal接口大幅扩展
PayPal模块迎来了重大功能扩展,新增了多个业务接口:
订阅管理功能
- 计划管理:包括计划列表查询、详情获取、更新、激活/停用等完整生命周期管理
- 订阅操作:支持创建、查询、更新、暂停、取消和激活订阅
- 交易处理:新增订阅交易捕获和交易列表查询功能
产品管理功能
- 产品创建与列表查询
- 产品详情获取与更新
这些新增接口使gopay能够支持PayPal的完整订阅业务流程,为SaaS类应用提供了完善的支付解决方案。
3. 支付宝V3新增营销功能
支付宝V3接口新增了两类重要功能:
-
推广计划管理:
- 创建推广计划
- 查询推广计划状态
- 停止推广计划
-
营销素材上传:
- 新增图片资源上传接口
这些功能为电商和营销类应用提供了更多可能性,开发者可以更灵活地实现各种营销场景。
兼容性与优化
-
模块要求提升:gopay模块现在要求最低Go版本为1.22,这确保了可以使用最新的语言特性。
-
Apple接口优化:
GetRefundHistory()接口在没有version参数时,不再在请求中发送空的version字段,这符合RESTful API的最佳实践。 -
PayPal自定义Header:新增了
SetRequestHeader()和ClearRequestHeader()方法,为需要特殊Header的支付场景提供了灵活性。
技术价值与应用场景
本次更新特别适合以下场景:
-
订阅制服务:新增的PayPal订阅接口完整支持了SaaS类应用的支付需求。
-
电商营销:支付宝的推广计划和素材上传功能为电商平台提供了更多营销工具。
-
全球化支付:PayPal接口的完善使国际支付集成更加便捷。
-
安全支付:微信V3的自动验签功能提升了支付安全性,同时降低了开发复杂度。
go-pay/gopay 1.5.110版本的这些改进,使得这个支付SDK在功能性、易用性和安全性方面都达到了新的高度,为Go语言开发者提供了更加强大和便捷的支付集成解决方案。
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