Odigos v1.0.160 版本发布:增强云原生可观测性能力
Odigos 是一个开源的分布式追踪系统,专注于为云原生应用提供高效、易用的可观测性解决方案。通过自动检测和收集应用的追踪数据,Odigos 帮助开发者快速定位和解决分布式系统中的性能问题。最新发布的 v1.0.160 版本带来了一系列功能增强和优化,进一步提升了系统的稳定性和用户体验。
核心功能改进
跨云测试支持扩展至 EKS
在此版本中,开发团队将 Amazon Elastic Kubernetes Service (EKS) 纳入了跨云测试范围。这一改进确保了 Odigos 在不同云环境中的兼容性和稳定性,特别是对于 AWS 用户而言,现在可以更加自信地在 EKS 集群上部署和使用 Odigos。
OpenTelemetry 代理启动优化
修复了 OpenTelemetry 代理启动过程中的一个关键问题。这个修复确保了代理组件能够更加可靠地启动和运行,减少了因代理启动失败导致的数据收集中断情况。对于依赖 OpenTelemetry 进行应用监控的用户来说,这一改进显著提升了系统的可靠性。
工作负载生命周期管理迁移至 ECR
开发团队将工作负载生命周期管理功能迁移到了 Amazon Elastic Container Registry (ECR)。这一架构调整带来了几个优势:更快的镜像拉取速度、更好的安全控制以及与 AWS 生态系统的深度集成。对于已经使用 AWS 服务的用户,这一变化将带来更流畅的部署体验。
性能优化与架构调整
分离检测实例与分页源查询
通过将检测实例与分页源查询分离,系统在处理大规模部署时的性能得到了显著提升。这一优化特别有利于那些拥有大量微服务的应用场景,减少了查询延迟,提高了 UI 响应速度。
移除废弃的 eBPF 组件
作为持续架构清理的一部分,开发团队移除了已废弃的 eBPF 组件。这一调整简化了系统架构,减少了维护负担,同时避免了潜在的技术债务。对于新用户来说,这意味着更简洁的部署选项和更少的学习曲线。
用户体验改进
UI 界面优化
用户界面进行了多项改进,包括:
- 描述信息的展示方式优化,使关键信息更易于获取
- 表格排序功能增强,提升了数据浏览效率
- 条件状态的显示改进,特别是"disabled"状态的标识更加清晰
这些改进使得操作界面更加直观,降低了新用户的学习成本,同时提高了资深用户的工作效率。
检查阶段功能增强
第一阶段的检查功能得到了显著改进。这些改进包括更全面的环境检测和更详细的报告输出,帮助用户在部署前更好地了解系统环境和潜在问题。这对于确保顺利部署和运行 Odigos 至关重要。
部署与维护
Helm Chart 更新
配套的 Helm Chart 也同步更新至 v1.0.160 版本。新版本中移除了不再使用的镜像值,并添加了 imagePrefix 参数,使得自定义镜像仓库更加灵活。这些变化简化了部署配置,同时保持了向后兼容性。
预发布测试增强
开发团队加强了对 OpenShift 平台的预发布测试,特别是针对企业版 Instrumentor 和 Operator 镜像的兼容性验证。这一措施确保了 Odigos 在 OpenShift 环境中的稳定运行,为企业用户提供了更高的可靠性保障。
总结
Odigos v1.0.160 版本通过多项功能增强和优化,进一步巩固了其作为云原生可观测性解决方案的地位。从跨云支持扩展到性能优化,再到用户体验改进,这个版本为不同规模的用户提供了更强大、更可靠的分布式追踪能力。对于已经在使用 Odigos 的用户,建议尽快升级以获取这些改进;对于考虑采用可观测性解决方案的新用户,这个版本提供了一个功能更加完善的起点。
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