Logto v1.25.0 发布:多语言邮件模板与增强的认证安全功能
Logto作为一个现代化的身份认证解决方案,在最新发布的v1.25.0版本中带来了多项重要更新,主要集中在邮件模板的多语言支持和认证安全功能的增强上。这些改进不仅提升了用户体验,也为开发者提供了更灵活的配置选项。
多语言邮件模板支持
本次更新最显著的特性是引入了多语言邮件模板的自定义功能。通过管理API,管理员现在可以为不同类型的邮件(如登录验证、密码重置等)创建和管理多种语言的模板。系统会根据用户的偏好语言自动选择合适的模板,如果找不到匹配的语言版本,则会回退到默认模板。
邮件模板的选择逻辑遵循以下优先级:
- 首先匹配请求中检测到的用户偏好语言
- 其次匹配登录体验设置中的默认语言
- 最后使用邮件连接器设置中的默认模板
管理API新增了多个端点来支持这一功能,包括批量创建/更新模板、按条件筛选模板列表、删除模板等操作。值得注意的是,部分邮件连接器(如Postmark和HTTP Email)由于模板管理在提供商端,不支持从Logto读取模板,而是将用户语言偏好作为参数传递给提供商。
邮件模板上下文变量增强
为了支持更个性化的邮件内容,v1.25.0引入了丰富的上下文变量。开发者现在可以在模板中使用以下变量:
- 用户信息(姓名、主邮箱等)
- 应用信息(名称、logo等)
- 组织信息(名称、logo等)
- 邀请人信息(适用于组织邀请场景)
这些变量根据不同的使用场景(登录、注册、密码找回等)提供相应的上下文信息,使邮件内容更加贴合实际使用场景。
密码加密方案改进
在安全方面,v1.25.0新增了对传统密码哈希算法的支持。开发者现在可以将password_encryption_method设置为"legacy",并使用JSON格式存储包含哈希算法、参数和加密密码的信息。这一改进特别适用于需要从其他密码哈希算法迁移的场景,尤其是那些包含盐值的算法。
JSON格式示例如下:
["hash_algorithm", ["argument1", "argument2", ...], "expected_hashed_value"]
其中"@"符号代表输入密码,系统会根据配置的算法和参数进行验证。
其他重要改进
-
SAML断言响应增强:为SAML应用断言响应添加了AuthnStatement,提高了兼容性。
-
TOTP密钥长度调整:将TOTP密钥生成长度调整为20字节(160位),遵循RFC 6238和RFC 4226的建议标准,提供更好的安全性同时保持与现有验证器的兼容性。
-
组织角色管理API增强:支持通过角色名称和ID两种方式管理组织用户角色,提高了API的灵活性。
-
分页行为修复:修复了组织角色范围API的分页行为,现在当不提供分页参数时会返回所有范围,提供分页参数时则支持可选分页。
-
Handlebars模板处理增强:改进了邮件模板中的变量处理逻辑,支持嵌套属性访问(如organization.branding.logoUrl),并优雅处理缺失属性。
总结
Logto v1.25.0通过引入多语言邮件模板支持和增强的安全功能,进一步提升了其作为身份认证解决方案的灵活性和安全性。这些改进使开发者能够为用户提供更本地化、更个性化的认证体验,同时也为系统集成提供了更多可能性。特别是对传统密码哈希算法的支持,为系统迁移提供了便利,体现了Logto对实际应用场景的深入理解。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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