LoRaWAN Stack v3.33.1版本发布:增强设备管理与数据格式化能力
LoRaWAN Stack是一个开源的LoRaWAN网络服务器实现,它为物联网设备提供完整的网络基础设施支持。作为LoRaWAN协议栈的核心组件,该项目实现了网络服务器(NS)、应用服务器(AS)和连接服务器(CS)等关键功能模块,帮助开发者快速构建和部署LoRaWAN网络解决方案。
数据格式化功能增强
本次v3.33.1版本在payload formatter中新增了recvTime字段支持。payload formatter是LoRaWAN网络中用于对设备上下行数据进行编解码的重要组件。新增的recvTime字段将被包含在decodeUplink函数的输入参数中,这使得开发者能够在解码上行数据时获取精确的接收时间戳,为时间敏感型应用提供了更好的支持。
终端设备电池状态监控
新版本在ApplicationUplink消息中添加了终端设备的最新电池百分比信息。这一改进使得应用层能够更方便地监控设备的电源状态,对于电池供电的物联网终端尤为重要。开发者现在可以直接从上行消息中获取电池电量信息,无需额外的查询操作,简化了设备管理流程。
控制台功能优化
控制台界面新增了实时数据分屏视图教程,帮助用户更直观地理解和使用数据展示功能。这一改进降低了新用户的学习曲线,使得监控和分析设备数据变得更加容易。
关键问题修复
本次发布修复了多个影响系统稳定性和功能完整性的问题:
-
当请求中未提供分页限制值时,现在会强制对AS和NS的List RPC调用应用默认分页限制,防止因过大结果集导致的性能问题。
-
修正了RelayNotifyNewEndDeviceReq MAC命令中的字段顺序问题,确保与协议规范一致。
-
改进了LinkADRAns MAC命令的验证逻辑,当终端设备不支持ADR(自适应数据速率)时能够正确处理。
-
修复了在通用设置中无法移除所有属性的问题,提高了配置灵活性。
系统稳定性改进
除了上述功能增强和问题修复外,v3.33.1版本还对系统底层进行了多项优化,包括:
- 改进了MAC命令处理机制,确保在各种网络条件下都能稳定运行
- 优化了属性管理系统,提供更一致的配置体验
- 增强了API的健壮性,特别是在处理边界条件时表现更稳定
这些改进使得LoRaWAN Stack在复杂网络环境下的表现更加可靠,为大规模物联网部署提供了坚实基础。
对于正在使用或考虑采用LoRaWAN技术的开发者来说,v3.33.1版本提供了更完善的功能和更稳定的运行环境,特别是在设备管理和数据格式化方面的增强,将显著提升开发效率和系统可靠性。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- 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
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