GoatCounter v2.6.0 版本发布:更友好的默认配置与功能增强
GoatCounter 是一个轻量级的网站访问统计工具,它以隐私友好、简单易用为设计理念,适合个人博客和小型网站使用。不同于传统的 Google Analytics,GoatCounter 更加注重用户隐私保护,同时提供了足够的数据分析功能。
默认配置的重大调整
本次 v2.6.0 版本对多个默认配置进行了优化调整,使系统更加符合实际使用场景:
-
监听端口与 TLS 配置
默认值从-listen=:443 -tls=tls,rdr,acme调整为-listen=:8080 -tls=none。这一改变使得 GoatCounter 在反向代理(如 nginx 或 Caddy)后的部署更加方便,同时也降低了初次使用的门槛。 -
数据存储位置
SQLite 数据库默认位置改为./goatcounter-data/db.sqlite3,ACME 证书存储位置改为./goatcounter-data/acme-secrets。系统会优先检测旧位置是否存在文件,确保平滑升级。 -
页面浏览数据存储
默认不再在hits表中存储单个页面浏览记录,这一改变带来了两个显著优势:- 增强隐私保护:仅存储聚合数据而非原始访问记录
- 减少磁盘空间占用:对于流量较大的站点尤为明显
用户仍可在设置中启用详细记录存储,以满足导出需求。
新功能亮点
-
容器化支持
新增 Dockerfile 并发布官方镜像,简化了在容器环境中的部署流程。 -
环境变量配置
现在支持通过GOATCOUNTER_«FLAG»形式的环境变量来设置默认参数,提高了配置灵活性。 -
日志处理增强
新增多种时间格式支持(包括多种 Unix 时间戳格式)和$url格式说明符,同时增加了对 Bunny 和 Caddy 日志格式的解析支持。 -
暗色主题改进
优化了暗色主题的视觉效果,并默认跟随系统偏好设置自动切换。 -
多语言支持
新增中文和韩语翻译,提升了国际化体验。 -
路径前缀支持
新增-base-path参数,允许将 GoatCounter 部署在子路径下(如example.com/stats)。
技术优化与问题修复
-
兼容性提升
新增 HTTP2 Cleartext (h2c) 处理器,改善了与某些代理的兼容性。 -
错误处理改进
优化了 SQLite 数据库目录不可写时的错误提示,使其更加清晰易懂。 -
CORS 处理
修复了访问计数器错误响应中的 CORS 头设置问题,确保错误信息能够正确传递。 -
数据导入
新增对 Google Analytics 报告导入的支持,虽然无法还原详细数据,但可以保持访问总数的准确性。 -
性能优化
移除了站点的 7 天软删除期,删除操作改为后台任务执行,提高了系统响应速度。
总结
GoatCounter v2.6.0 版本通过优化默认配置、增强功能和完善细节,进一步提升了产品的易用性和实用性。特别是对隐私保护的重视、对容器化部署的支持以及对多语言环境的完善,都体现了该项目持续关注用户体验的发展方向。对于注重隐私的中小型网站运营者来说,这无疑是一个值得考虑的网站分析解决方案。
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