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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0202
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07