Retrofit 2.12.0 版本发布:流式序列化与性能优化
项目简介
Retrofit 是 Square 公司开发的一款广受欢迎的 Android 和 Java 类型安全的 HTTP 客户端库。它通过将 HTTP API 转换为 Java 接口的方式,简化了网络请求的处理流程,让开发者能够以声明式的方式定义 API 请求,而无需关心底层的网络通信细节。
版本亮点
Retrofit 2.12.0 版本带来了一个重要的新特性:流式序列化支持。这一改进显著提升了 Retrofit 在处理大型请求体时的性能和资源利用率。
流式序列化特性详解
在之前的版本中,Retrofit 的转换器(Converters)会在创建 HTTP 请求时就完成请求体的序列化工作。这意味着:
- 序列化操作会在调用线程上同步执行
- 即使使用异步调用(如
Call.enqueue),序列化仍然在调用线程完成 - 对于大型对象,这可能导致主线程卡顿或内存压力
2.12.0 版本引入了流式序列化功能,允许将序列化过程推迟到 HTTP 请求体实际写入时进行。这一改变带来了以下优势:
- 后台线程执行:当使用
Call.enqueue时,序列化操作会自动转移到后台线程 - 内存效率:减少了内存峰值使用量,特别是处理大型请求体时
- 响应速度:主线程不会被序列化操作阻塞
支持的转换器
目前,以下第一方转换器已支持流式序列化功能,通过新增的 withStreaming() 工厂方法启用:
- Gson 转换器
- Jackson 转换器
- Moshi 转换器
- Protobuf 转换器
- Wire 转换器
开发者只需在创建转换器实例时调用 withStreaming() 方法即可启用这一优化功能。
其他改进
原始类型标签支持修复
2.12.0 版本还修复了原始类型与 @Tag 注解一起使用时的问题。现在,原始类型值会被自动装箱,并以装箱后的类作为键存储,确保了类型安全性。
这一改进使得以下代码能够正常工作:
@GET("/user")
Call<User> getUser(@Tag int userId);
升级建议
对于现有项目,特别是那些处理大型请求体或对性能敏感的应用,建议升级到 2.12.0 版本以获得流式序列化带来的性能优势。升级过程通常只需修改依赖版本号,但需要注意:
- 检查自定义转换器的兼容性
- 评估流式序列化对现有业务逻辑的影响
- 对于需要立即序列化的特殊场景,可以继续使用默认的非流式模式
总结
Retrofit 2.12.0 通过引入流式序列化支持,进一步提升了框架的性能和资源利用率,特别是在处理大型请求体时表现更为出色。这一改进保持了 Retrofit 一贯的简洁 API 设计理念,同时为开发者提供了更高效的网络请求处理能力。结合对原始类型标签支持的修复,这个版本为 Retrofit 生态带来了更加完善的功能体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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