TDengine 3.3.5.2版本发布:时序数据库的重大优化与功能增强
TDengine作为一款高性能的时序数据库,在3.3.5.2版本中带来了多项重要改进和优化。这个版本不仅增强了核心功能,还修复了多个关键问题,进一步提升了系统的稳定性和可靠性。
核心功能增强
在3.3.5.2版本中,TDengine对taosX工具进行了重要升级,现在支持通过模板为MQTT创建多个超级表。这一改进极大地简化了物联网场景下多设备数据采集和存储的配置工作,用户可以通过定义模板快速创建和管理大量设备的数据表结构。
备份恢复功能也得到了显著优化。新版本改进了taosX工具的备份恢复流程,使得大规模数据迁移更加可靠和高效。特别是在多级存储数据迁移场景下,系统现在能够更好地处理长时间迁移过程中可能发生的Vnode leader切换问题,确保数据一致性。
系统稳定性提升
3.3.5.2版本对系统稳定性进行了多方面优化。首先,调整了taosd进程的systemctl管理策略,如果在60秒内连续三次重启失败,系统将延迟900秒后再尝试重启,避免了频繁重启可能导致的系统资源耗尽问题。
日志系统也得到了改进,消除了日志文件切换过程中可能出现的同步问题。同时,修复了多个可能导致系统异常的场景,包括创建超过100个视图后执行show views命令、频繁执行"drop table with tb_uid"语句等情况下的稳定性问题。
查询与数据处理优化
在查询功能方面,新版本修复了多个关键问题。当子查询来自超级表时,排序信息现在能够正确推送;使用percentile函数和会话窗口查询时出现的异常问题得到解决;SELECT * FROM子查询现在能够正确复制列名;字符串类型数据的max/min函数计算结果更加准确。
对于流计算功能,系统现在会正确报告不支持HAVING子句的错误,而不是静默接受无效配置。视图功能也有所改进,当视图中包含带有别名的ORDER BY子句时,查询不再出错。
数据订阅与写入改进
数据订阅功能(TMQ)在多个方面得到增强。修改子表标签值后,订阅现在能够立即获取新标签值;tmq_consumer_poll函数在调用失败时会正确返回错误码;解决了消费者执行unsubscribe后立即订阅其他主题时的错误问题。
在数据写入方面,修复了stmt2接口的多个问题:当未绑定所有数据列时插入失败的问题、数据库名或表名使用反引号时插入失败的问题。同时,通过STMT接口写入不符合拓扑规范的Geometry数据类型时,系统会给出更准确的错误提示。
系统管理与安全
新版本加强了系统管理能力,修复了动态修改系统参数无效的问题,并禁止创建与系统数据库同名的数据库(如information_schema、performance_schema)。在安全方面,修复了Go连接器中存在的CVE-2022-28948问题。
版本信息显示也更加准确,taos shell现在能够正确区分社区版和企业版。对于复制场景中的随机事务冲突错误,系统进行了针对性修复,提高了数据同步的可靠性。
总结
TDengine 3.3.5.2版本通过一系列功能增强和问题修复,显著提升了系统的稳定性、可靠性和易用性。无论是核心的时序数据处理能力,还是周边的工具链支持,都得到了实质性改进。这些变化使得TDengine在各种时序数据场景下,特别是物联网和大规模监控系统中,能够提供更加稳定和高效的服务。
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-7BSpark-Prover-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-7BSpark-Formalizer-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).Dockerfile014
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