JRuby 9.4.13.0 版本发布:Ruby 3.1兼容性与性能优化
JRuby 是一个基于 Java 虚拟机(JVM)的 Ruby 实现,它结合了 Ruby 语言的优雅和 JVM 的强大性能。JRuby 9.4 系列主要目标是保持与 Ruby 3.1 的兼容性,同时提供更好的稳定性和性能。最新发布的 JRuby 9.4.13.0 版本带来了一系列重要的改进和修复。
稳定性改进
本次发布重点解决了两个关键稳定性问题:
-
内存泄漏修复:修复了子类管理中的缓慢内存泄漏问题。这个问题可能导致长时间运行的 JRuby 应用逐渐消耗更多内存,特别是在频繁创建和销毁类的场景下。
-
死锁预防:解决了在多线程启动和并发 JIT 编译期间可能出现的潜在死锁问题。这个改进使得 JRuby 在多线程环境下的启动和运行更加可靠。
启动性能优化
JRuby 团队从 JRuby 10 版本中反向移植了 .sh 启动器的多项功能,包括:
-
AppCDS(应用程序类数据共享)支持:通过缓存类数据来显著提高启动速度。AppCDS 是 JVM 的一项功能,它允许将已加载的类元数据保存到磁盘,下次启动时可以直接重用,减少类加载时间。
-
启动脚本改进:优化了启动脚本的逻辑,避免访问未初始化的变量,提高了脚本的健壮性。
这些改进特别有利于需要频繁启动 JRuby 的应用场景,如短生命周期的脚本和服务器less应用。
兼容性增强
JRuby 9.4.13.0 继续完善对 Ruby 3.1 的兼容性支持:
-
关键字参数处理:修复了关键字参数检查的实现,使用位操作代替索引,提高了性能并解决了某些情况下"unknown keyword"错误的问题。
-
Zlib 支持:为 Zlib::GzipReader 添加了 each_char 迭代器,完善了文件处理功能。
-
Dir.glob 改进:修复了路径处理特别是"../"父目录引用的相关问题,使文件系统操作更加可靠。
-
字符串编码:改进了字符串编码转换的实现,确保在不同编码间转换时行为与 MRI Ruby 一致。
Java 集成改进
作为运行在 JVM 上的 Ruby 实现,JRuby 特别注重与 Java 生态的集成:
-
Java 对象交互:改进了在 Java 对象上设置实例变量的警告机制,现在只在实际创建新实例变量表时才发出警告。
-
Java 24 兼容:解决了 Java 24 上新出现的限制警告问题,确保在新版 JDK 上正常运行。
-
AutoCloseable 支持:为 JRubyEngine 实现了 AutoCloseable 接口,更好地支持 Java 的资源管理机制。
标准库更新
JRuby 9.4.13.0 更新了多个内置库:
- 将 stringio 更新到 3.1.5 版本
- 更新 uri 到 0.12.3 版本
- 将 net-imap 从 0.2.3 更新到 0.2.5,包含安全修复
- 更新 Unicode 支持到 15.0 标准
- 升级 jcodings 到 1.0.62 和 joni 到 2.2.4,改进正则表达式处理
开发者工具改进
-
TracePoint 增强:修复了使用 TracePoint 跟踪方法调用时关键字参数不可用的问题。
-
块警告优化:修正了在某些情况下误报"given block not used"警告的问题。
-
编译器修复:解决了多行表达式在 splat 展开时的问题,确保代码生成正确。
总结
JRuby 9.4.13.0 是一个以稳定性和兼容性为主的维护版本,它解决了多个关键问题,同时带来了启动性能的显著提升。对于使用 JRuby 9.4 系列的用户来说,这个版本值得升级,特别是那些关注内存使用和多线程稳定性的应用场景。
JRuby 团队持续致力于提供最好的 Ruby-on-JVM 体验,这个版本再次证明了他们对质量和兼容性的承诺。随着 Ruby 3.x 系列的演进,JRuby 也在不断跟进,确保开发者能够充分利用 Ruby 语言的最新特性,同时享受 JVM 生态系统带来的优势。
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