Hibernate ORM 7.0.0.Beta4发布:Java持久化框架的重大更新
Hibernate ORM是Java生态中最流行的对象关系映射(ORM)框架之一,它简化了Java应用程序与关系型数据库的交互。近日,Hibernate团队发布了7.0.0.Beta4版本,这是7.0系列的一个重要里程碑。本文将深入解析这一版本带来的关键变化和技术亮点。
Jakarta Persistence 3.2全面支持
Hibernate ORM 7.0.0.Beta4全面迁移至Jakarta Persistence 3.2规范,这是Java持久化API的最新标准。这一迁移带来了几个重要变化:
-
Java版本要求提升:Jakarta Persistence 3.2要求最低Java版本为17,因此Hibernate 7.0也相应地将基线Java版本从11提升至17。
-
API变更:3.2版本引入了一些API变更,包括对实体监听器、查询API等方面的改进,开发者需要注意这些变化可能对现有代码的影响。
-
TCK验证:Hibernate团队已经完成了与Jakarta Persistence TCK(技术兼容性工具包)的全面验证,确保了规范的完整实现。
领域模型验证增强
新版本在领域模型验证方面做了显著增强,提供了更严格的映射规则检查:
-
非法组合检测:现在会明确检测并报告非法注解组合,例如在同一属性上同时使用@Basic和@ManyToOne注解的情况。
-
注解位置验证:框架会严格检查注解的位置是否正确,比如在使用FIELD访问策略时,方法上的注解将被视为错误。
-
JavaBean规范遵循:对JavaBean规范的遵循更加严格,确保映射行为的一致性和可预测性。
这些改进有助于开发者在早期发现潜在的映射问题,减少运行时错误。
映射XML架构更新
Hibernate 7.0引入了全新的XSD架构,作为Jakarta Persistence orm.xsd的扩展,支持Hibernate特有的映射特性:
-
新命名空间:使用"http://www.hibernate.org/xsd/orm/mapping"作为扩展映射的命名空间。
-
hbm.xml迁移工具:对于仍在使用传统hbm.xml格式的项目,提供了迁移工具帮助转换到新格式。
底层模型处理重构
7.0版本用全新的Hibernate Models项目取代了原有的Hibernate Commons Annotations(HCANN),用于处理应用领域模型的底层操作:
-
注解处理:更高效、更灵活的注解处理机制。
-
XML映射集成:改进的XML映射文档集成能力。
-
性能优化:底层重构带来了性能提升和更清晰的架构。
SQL函数支持扩展
新版本显著扩展了对SQL函数的支持,特别是JSON和XML相关函数:
-
JSON函数:
- 构造函数:json_array(), json_object()
- 查询函数:json_value(), json_query()
- 聚合函数:json_agg(), json_object_agg()
- 操作函数:json_set(), json_mergepatch()
-
XML函数:
- 构造函数:xmlelement(), xmlforest()
- 查询函数:xmlquery()
- 聚合函数:xmlagg()
这些函数遵循SQL标准语义,在无法模拟的数据库上会抛出错误。需要注意的是,这些功能目前处于技术预览阶段,需要通过配置启用。
集合返回函数
新引入了集合返回函数的概念,这类函数可以返回多行数据,专用于FROM子句:
-
内置支持:
- unnest():将数组转换为行
- generate_series():生成值序列
- json_table():将JSON文档转为行
- xmltable():将XML文档转为行
-
扩展性:开发者可以通过FunctionContributor注册自定义的集合返回函数。
@Any映射改进
对于@Any和@ManyToAny关联的鉴别器值映射,新增了@AnyDiscriminatorImplicitValues注解,提供两大改进:
-
鉴别器值控制:允许开发者控制隐式鉴别器映射的存储值,而不再强制使用实体全名。
-
混合策略:支持显式和隐式值策略的混合使用,提供更大的灵活性。
代码清理与API精简
7.0版本进行了大规模的代码清理工作:
-
移除废弃API:清理了大量已废弃的接口和行为。
-
架构简化:移除了不再需要的兼容层和过时功能。
-
性能优化:通过精简代码路径,提升了框架的整体性能。
总结
Hibernate ORM 7.0.0.Beta4代表了该框架的一个重要进化,它不仅跟进了最新的Jakarta Persistence标准,还在模型验证、函数支持、映射灵活性等方面做出了显著改进。这些变化虽然可能带来一定的迁移成本,但将为Java持久层开发带来更强大、更可靠的工具支持。
对于考虑升级的项目,建议仔细阅读迁移指南,全面评估变更影响,并充分利用新版本提供的迁移工具和增强功能。随着7.0正式版的临近,Hibernate ORM将继续巩固其作为Java生态中最成熟ORM框架的地位。
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