Squidex 7.18.0版本发布:全面支持SQL数据库与性能优化
Squidex是一个开源的内容管理系统(CMS)和内容协作平台,基于.NET技术栈构建。它提供了强大的内容建模、API优先的设计理念以及灵活的内容管理能力,特别适合开发者和内容团队使用。Squidex采用现代化的架构设计,支持多种存储后端和扩展机制,使其能够适应不同规模的项目需求。
SQL数据库支持成为亮点
在7.18.0版本中,Squidex迎来了一个重要的里程碑——全面支持主流SQL数据库。这一更新为那些更倾向于使用关系型数据库的用户提供了更多选择,同时也增强了Squidex在不同技术栈中的适应性。
新增数据库支持
本次更新增加了对三种主流SQL数据库的支持:
- MySQL支持:作为最流行的开源关系数据库之一,MySQL的加入使得Squidex可以更好地融入现有的MySQL生态系统。
- PostgreSQL支持:PostgreSQL以其强大的功能和扩展性著称,现在也成为Squidex的可选后端存储。
- SQL Server支持:对于企业级用户,特别是那些已经投资于微软技术栈的组织,SQL Server支持提供了无缝集成的可能性。
这些新增的数据库支持经过了大量测试,确保了功能的稳定性和可靠性。不过开发团队也明确指出,这仍然是早期版本,用户在实际生产环境中部署时需要谨慎评估。
性能优化与架构精简
除了新增功能外,7.18.0版本还对系统架构进行了优化,以提高性能和减少资源占用。
构建过程改进
构建系统现在采用了并行步骤,显著提升了构建性能。这一改进对于持续集成/持续部署(CI/CD)流程特别有价值,能够缩短开发周期,提高团队效率。
组件精简策略
为了优化容器大小和运行时性能,开发团队做出了两个重要的架构决策:
-
移除了ImageMagick:这个图像处理库已被.NET原生的ImageSharp库取代。ImageSharp能够处理所有常见的图像格式,且作为托管代码实现,与Squidex的.NET环境更加契合。对于有特殊需求的用户,仍然可以通过自定义构建参数重新启用ImageMagick支持。
-
移除了Kafka支持:同样为了减少容器体积,Kafka支持被移出了默认构建。需要消息队列功能的用户可以通过构建参数显式启用Kafka集成。
这些改变体现了Squidex团队对系统精简和性能优化的持续关注,同时也保持了足够的灵活性以满足不同用户的需求。
关键问题修复
7.18.0版本还包含了一系列重要的错误修复,提升了系统的稳定性和用户体验:
- 事件重放机制:修复了当达到MongoDB提交日志末尾时事件无法重放的问题,确保了事件溯源机制的可靠性。
- 身份认证流程:改进了注销后的重定向行为,现在用户可以正确地被重定向到指定的URL。
- 全文搜索集成:修复了与Azure Search和Elastic Search集成的相关问题,提升了搜索功能的准确性和稳定性。
总结
Squidex 7.18.0版本的发布标志着这个开源CMS平台在数据库支持方面迈出了重要一步。通过新增对MySQL、PostgreSQL和SQL Server的支持,Squidex为不同技术背景的用户提供了更多选择。同时,通过构建优化和组件精简,系统性能和资源效率得到了提升。这些改进加上关键问题的修复,使得Squidex成为一个更加成熟和可靠的内容管理解决方案。
对于考虑采用Squidex的用户,7.18.0版本提供了一个评估不同数据库后端性能的机会。而对于现有用户,升级到这个版本可以获得更好的稳定性和性能体验。随着SQL支持的引入,Squidex正在向更广泛的企业应用场景迈进。
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