Spring GraphQL 1.4.0-M1版本发布:全新特性与改进
Spring GraphQL项目近日发布了1.4.0-M1版本,这是1.4.0系列的第一个里程碑版本。Spring GraphQL是一个强大的框架,用于在Spring应用中构建GraphQL服务,它提供了与Spring生态系统的深度集成,包括Spring MVC、WebFlux、Data和Security等模块。
核心特性增强
本次发布在多个方面进行了显著改进,特别是在HTTP传输层和类型系统处理方面:
-
GraphQL over HTTP规范对齐:新版本对HTTP传输层进行了重构,使其更加符合GraphQL over HTTP规范。这意味着Spring GraphQL现在能够更好地与其他遵循该规范的GraphQL实现进行互操作。
-
响应媒体类型支持:框架现在明确定义了GraphQL响应应该使用的媒体类型,这有助于客户端更准确地处理响应内容。
-
字段解析优化:SchemaMappingInspector现在会检查公共字段以匹配PropertyFetchingImpl的行为,这使得字段解析更加一致和可靠。
数据加载与联邦支持
-
DataLoader参数支持:在
@EntityMapping方法中现在可以直接使用DataLoader作为参数,这简化了批量数据加载的实现方式。 -
联邦实体检测:框架现在能够检测并报告未被任何
@EntityMapping方法覆盖的联邦实体,帮助开发者更早发现潜在的问题。
订阅与性能改进
-
SSE保持连接:为基于SSE的GraphQL订阅添加了Keep-Alive支持,这在WebFlux和WebMvc环境下都能工作,显著改善了长连接的稳定性。
-
HTTP超时处理:新增了一个WebGraphQlInterceptor实现,专门用于处理HTTP超时场景,使得超时管理更加方便。
依赖升级
-
核心框架升级:同步升级到了Spring生态的最新版本,包括Spring Boot 3.4.x、Spring Framework 6.2.3、Spring Data 2025.0.0-M2和Spring Security 6.5.0-M3。
-
GraphQL相关库:升级到了Apollo GraphQL Federation 5.3.0和Netflix GraphQL CodeGen 7.0.3,提供了更多新特性和改进。
-
监控与追踪:Micrometer升级到1.15.0-M3,Tracing升级到1.5.0-M3,增强了可观测性能力。
总结
Spring GraphQL 1.4.0-M1版本带来了多项重要改进,特别是在规范符合性、数据加载和订阅稳定性方面。这些变化使得开发者能够构建更加健壮和符合标准的GraphQL服务。随着对最新Spring生态版本的兼容性更新,这个版本也为未来的功能扩展奠定了基础。
对于正在使用或考虑使用Spring GraphQL的开发者来说,这个里程碑版本值得关注和评估,特别是那些需要严格遵循GraphQL规范或使用GraphQL联邦架构的项目。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00