Stripe Python SDK v12.2.0b1版本发布:支付API新特性解析
Stripe Python SDK是Stripe官方提供的Python语言支付接口开发工具包,它封装了Stripe支付平台的各种API功能,使开发者能够轻松地在Python应用中集成支付、订阅、发票等商业功能。本次发布的v12.2.0b1版本是一个预发布版本,主要针对即将推出的API功能进行适配和优化。
核心更新内容
1. 账单模式(billing_mode)支持扩展
新版本在多个资源类型中增加了对billing_mode参数的支持,包括发票预览(Invoice.CreatePreview)、订阅(Subscription)、订阅计划(SubscriptionSchedule)等。这一改进为开发者提供了更灵活的账单周期管理能力,可以支持更复杂的商业场景。
具体来说,现在可以在创建或预览订阅时指定不同的计费模式,这对于实现按量付费、阶梯定价等高级商业模式特别有用。例如,一个SaaS平台可以根据用户实际使用情况动态调整计费周期,而不必局限于传统的固定周期订阅模式。
2. 财务信息字段扩展
本次更新显著扩充了财务ID类型的支持范围,新增了多个国家和地区的财务标识类型,包括:
- 阿鲁巴(aw_tin)
- 阿塞拜疆(az_tin)
- 孟加拉国(bd_bin)
- 布基纳法索(bf_ifu)
- 贝宁(bj_ifu)
- 喀麦隆(cm_niu)
- 佛得角(cv_nif)
- 埃塞俄比亚(et_tin)
- 吉尔吉斯斯坦(kg_tin)
- 老挝(la_tin)
这些新增类型使得国际业务中的财务合规处理更加便捷,开发者现在可以更准确地收集和处理来自这些地区的客户财务信息。
3. 自动财务处理增强
新版本将多个资源中的automatic_tax.provider字段标记为必填项,包括Checkout Session、Invoice和Quote等。这一变化反映了Stripe对财务合规性的重视,确保所有涉及财务的计算都有明确的提供方标识。
同时,对ACSS借记支付方式增加了account_number字段支持,完善了加拿大地区银行账户支付的细节处理。
4. 订阅项详情改进
在发票行项目(InvoiceLineItem)的父项详情中,subscription字段类型从单纯的字符串变更为可空字符串(nullable string)。这一看似微小的调整实际上提供了更好的数据一致性,允许更灵活地处理那些可能不与特定订阅绑定的发票项目。
开发者注意事项
作为预发布版本,v12.2.0b1主要面向需要提前测试新功能的开发者。在实际生产环境中使用时需要注意:
- API版本已固定为
2025-04-30.preview,这意味着使用的是预览版API规范 - 新增的财务类型支持需要配合前端表单更新才能充分发挥作用
- 自动财务提供商标记为必填后,现有代码可能需要相应调整
- 账单模式功能虽然强大,但需要仔细设计业务逻辑以避免计费混乱
升级建议
对于正在开发新支付功能的项目,可以考虑试用这个预发布版本来提前适配即将推出的API特性。但对于已上线的生产系统,建议等待正式版本发布后再进行升级。
本次更新特别适合以下场景:
- 需要支持新增国家/地区财务合规的国际业务
- 计划实现复杂订阅模式(如按量计费)的SaaS平台
- 使用ACSS借记支付的加拿大地区应用
总的来说,Stripe Python SDK v12.2.0b1版本为开发者带来了更多全球支付和订阅管理的工具,进一步降低了处理复杂商业场景的技术门槛。
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