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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00