Tapir v1.11.28 版本发布:增强 OpenAPI 代码生成与追踪能力
Tapir 是一个功能强大的 Scala 库,用于定义类型安全的 HTTP 端点。它允许开发者以声明式的方式描述 API,并自动生成文档、客户端和服务端代码。最新发布的 v1.11.28 版本带来了一系列改进,特别是在 OpenAPI 代码生成和分布式追踪方面的增强。
OpenAPI 代码生成能力提升
本次更新显著增强了 Tapir 的 OpenAPI 代码生成功能。开发团队引入了对 allOf 和验证功能的支持,这使得生成的 OpenAPI 规范更加完整和准确。
allOf 是 OpenAPI 规范中的一个重要特性,它允许组合多个模式定义。在 v1.11.28 中,Tapir 现在能够正确处理这种组合情况,为复杂的数据结构提供更好的支持。同时,新增的验证支持意味着生成的 OpenAPI 文档现在可以包含字段级别的验证规则,如最小/最大值、正则表达式等约束条件。
此外,团队还修复了边缘情况下 description 字段的放置问题,确保生成的文档结构更加规范。这些改进使得 Tapir 生成的 OpenAPI 文档质量更高,与各种 API 工具和平台的兼容性更好。
分布式追踪增强
在可观测性方面,v1.11.28 为 otel4s 追踪添加了服务器跨度类型(server span kind)支持。OpenTelemetry 是现代分布式系统中广泛采用的追踪标准,otel4s 是其 Scala 实现。通过明确标记服务器跨度,Tapir 现在能够提供更准确的追踪数据,帮助开发者更好地理解请求在系统中的流动路径和性能瓶颈。
文件处理与性能优化
文件处理功能也得到了增强,现在可以为服务器端点中的文件/资源添加额外的头部信息(extraHeaders)。这在处理文件上传下载时特别有用,允许开发者附加元数据或安全相关的头部信息。
在性能优化方面,团队改进了 Netty 集成,现在如果请求体从未被使用,Tapir 会自动取消它,避免不必要的资源消耗。这对于高并发场景下的资源管理尤为重要。
依赖项更新
v1.11.28 包含了多项依赖库的版本更新,包括:
- 升级到 ZIO JSON 0.7.42
- 更新 Jackson 模块到 2.19.0
- 升级 Cats 和 Circe 到 4.0.3
- 更新 Swagger UI 到 5.21.0
这些更新带来了性能改进、bug 修复和新特性,同时也确保了 Tapir 与生态系统其他组件的兼容性。
总结
Tapir v1.11.28 版本通过增强 OpenAPI 代码生成能力、改进分布式追踪支持以及优化文件处理和性能,进一步巩固了其作为 Scala 生态中优秀 API 定义工具的地位。这些改进使得开发者能够构建更加健壮、可观测性更好的 HTTP 服务,同时保持类型安全和开发效率。
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