RediSearch 2.10.15版本发布:关键性能优化与稳定性提升
RedisSearch作为Redis的全文搜索模块,为开发者提供了高性能的搜索和聚合功能。本次发布的2.10.15版本是一个重要的维护更新,主要解决了多个关键性问题并进行了性能优化,特别针对游标查询和超时处理机制进行了重要改进。
关键问题修复
游标查询耗尽问题修复
在之前的版本中,当使用SORTBY参数进行游标查询时,如果达到了游标限制,查询可能会被永久阻塞而无法耗尽。这个问题在MOD-8483中被发现并修复。类似的问题也存在于FT.AGGREGATE命令的游标查询中(MOD-8515),这些问题都可能导致系统资源无法正常释放。
RESP3协议下的超时处理优化
在RESP3协议下,即使用户设置了ON_TIMEOUT策略允许返回部分结果,系统仍可能返回空结果集(MOD-8482, MOD-8856)。这个版本修复了这个问题,确保在超时情况下能够正确返回已获取的部分结果。
另一个相关的问题是,在查询超时后使用FT.CURSOR READ命令可能导致返回的结果少于预期(MOD-8606)。这个修复确保了游标操作的完整性和一致性。
聚合查询结果计数修正
在RESP3协议下,FT.AGGREGATE命令返回的total_results字段可能存在计数不准确的问题(MOD-9054)。这个版本修正了结果计数逻辑,确保返回的总结果数与实际匹配数一致。
系统架构优化
协调器竞态条件处理
本次更新还修复了一个协调器中的竞态条件问题(MOD-8794),该问题可能导致查询执行过程中出现错误和不一致。通过优化协调器的工作机制,现在能够更可靠地管理查询生命周期,防止过早释放资源,从而提高了系统的整体稳定性。
升级建议
考虑到本次修复的问题涉及查询阻塞和结果准确性等关键功能,建议所有使用RediSearch 2.10版本的用户尽快升级到2.10.15版本。特别是那些依赖游标查询、处理大数据集或使用RESP3协议的用户,这次更新将显著改善系统的可靠性和查询体验。
对于生产环境,建议先在测试环境中验证新版本的兼容性,确保业务逻辑不受影响后再进行正式部署。同时,监控升级后的系统性能表现,特别是那些之前可能受到上述问题影响的查询场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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