TeslaMate v2.0.0 版本发布:PostgreSQL 升级与功能增强
TeslaMate 是一款开源的 Tesla 车辆数据记录和可视化工具,它能够持续记录 Tesla 车辆的各种数据指标,并通过 Grafana 提供丰富的可视化仪表盘。该项目采用 Elixir 语言开发,使用 PostgreSQL 作为主要数据库存储车辆数据。
重大变更:PostgreSQL 版本升级要求
本次 v2.0.0 版本最重要的变化是对 PostgreSQL 数据库的版本要求进行了升级。TeslaMate 现在要求使用 PostgreSQL 16.7 或 17.3 及以上版本,这是因为项目升级了内置的 earthdistance 扩展至 v1.2 版本。如果用户尝试使用旧版 PostgreSQL 启动 TeslaMate,系统将会启动失败。
对于已经部署 TeslaMate 的用户,升级过程需要特别注意以下几点:
- 数据备份:在升级前必须完整备份现有数据库数据
- PostgreSQL 升级:需要将 PostgreSQL 升级至 postgres:17 版本
- TeslaMate 升级:完成数据库升级后再升级 TeslaMate 至 v2.0.0
- 升级后备份:建议在升级完成后再次备份数据
特别提醒手动安装的用户:如果在初始安装后撤销了 SUPERUSER 权限,在进行 earthdistance 扩展迁移时需要临时重新授予该权限,迁移完成后再撤销。
新功能与改进
TPMS 轮胎压力监测显示增强
在 Web 界面中,现在当轮胎压力过低时,工具提示会显示具体的 TPMS 数值,让用户能够更直观地了解轮胎压力状况。
Grafana 升级至 11.6.1
本次更新包含了 Grafana 的最新版本 11.6.1,带来了性能改进和新功能支持。同时针对电池健康仪表盘进行了优化,统一了各仪表盘中的续航里程计算方式。
时区与日期格式处理改进
新版本改进了时区处理机制,确保数据展示与用户所在时区一致。日期格式现在会根据浏览器语言环境自动适配,提升了国际化支持。针对美国地区用户,日期列的宽度也进行了调整,确保完整显示日期字符串。
技术架构与构建改进
在技术架构方面,v2.0.0 版本包含了多项底层改进:
- 项目默认分支已从 master 更名为 main,开发者需要注意更新本地仓库配置
- 构建系统升级了多个依赖项,包括 Phoenix 框架相关组件
- 安全方面升级了 esbuild 和 esbuild-sass-plugin 以修复潜在问题
- CI/CD 流程优化,提高了构建安全性和可靠性
仪表盘功能增强
针对数据可视化部分,新版本对多个仪表盘进行了功能增强:
- 电池健康仪表盘中改进了"当前可用容量"的计算方式
- 位置仪表盘新增了车辆筛选器和时间过滤器
- 更新仪表盘中的额定续航计算方式与电池健康仪表盘保持一致
- 主页仪表盘的背景图片高度现在会根据布局和 Grafana CSS 自动调整
- 所有仪表盘显式设置时区参数,确保时间截断操作与 Grafana 时区一致
升级建议
对于生产环境用户,建议按照以下步骤进行升级:
- 仔细阅读升级说明文档
- 在测试环境先行验证升级流程
- 确保有完整的数据备份方案
- 规划适当的维护窗口期
- 升级后验证各项功能是否正常
TeslaMate v2.0.0 通过数据库升级和多项功能改进,为 Tesla 车主提供了更稳定、更强大的车辆数据监控体验。特别是对国际用户而言,改进的时区和日期处理大大提升了使用便利性。
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