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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00