NSwag v14.4.0 版本发布:性能优化与STJ原生代码生成支持
NSwag 是一个强大的.NET工具链,用于生成、解析和处理OpenAPI/Swagger规范文档,并能自动生成客户端代码。它支持从ASP.NET Core、Web API等框架生成API文档,同时也能为TypeScript、C#等语言生成客户端代码。最新发布的v14.4.0版本带来了一系列性能优化和功能增强。
性能优化亮点
本次版本在多个关键环节进行了性能优化,显著提升了处理大型API文档时的效率:
-
操作ID生成优化:改进了OpenApiDocument.GenerateOperationIds方法的实现,减少了不必要的计算开销,特别是在处理包含大量API端点的大型文档时效果明显。
-
响应模型缓存优化:对OpenApiOperation的ActualResponses和Responses属性进行了性能改进,减少了重复计算,提升了响应模型的访问速度。
-
字典操作优化:ObservableDictionary的CollectionChanged事件处理逻辑得到改进,减少了事件触发的频率,提升了集合操作的效率。
-
客户端生成优化:MultipleClientsFromOperationIdOperationNameGenerator中的重复检查逻辑更加高效,加快了客户端代码生成速度。
新功能:STJ原生C#代码生成支持
v14.4.0版本新增了对System.Text.Json(STJ)原生C#代码生成的支持。这一功能使得生成的客户端代码能够更好地与.NET Core 3.0及更高版本中引入的System.Text.Json序列化器配合工作,提供更高效的JSON处理能力。
开发者现在可以选择生成基于STJ的客户端代码,这将带来以下优势:
- 更高的序列化/反序列化性能
- 更低的内存分配
- 与.NET现代版本更好的兼容性
问题修复与改进
-
可选参数排序问题:修复了TypeScript和C#客户端生成中可选参数排序不正确的问题,确保生成的代码与API定义保持一致。
-
数组参数检查:修正了数组参数爆炸检查逻辑,防止在某些情况下错误地标记有效的数组参数。
-
项目目录解析:增加了对MSBuildProjectDirectory的回退支持,提高了在不同构建环境下项目目录解析的可靠性。
-
参数模型处理:OperationModelBase.GetActualParameters方法现在能够更好地处理缺少schema定义的情况,提高了代码的健壮性。
平台支持增强
本次更新为NSwag核心库添加了.NET 8目标框架支持,确保开发者可以在最新的.NET平台上使用NSwag的全部功能。同时,相关依赖项也进行了更新:
- 升级到NJsonSchema v11.3.2
- 升级到Namotion.Reflection v3.4.2
- 更新Microsoft.Extensions.ApiDescription到8.0.14版本
- 升级Swagger UI到v5.21.0
总结
NSwag v14.4.0版本通过一系列性能优化和功能增强,进一步巩固了其作为.NET生态系统中API开发首选工具的地位。特别是新增的STJ原生代码生成支持,为追求高性能的开发者提供了更好的选择。这些改进使得NSwag在处理大型API项目时更加高效,生成的客户端代码质量更高,与最新.NET平台的兼容性更好。
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