BetterAuth v1.1.18版本发布:增强认证安全与用户体验
BetterAuth是一个现代化的身份认证解决方案,旨在为开发者提供灵活、安全的用户认证功能。该项目支持多种认证方式,包括OAuth、Magic Link、用户名密码等,并提供了丰富的管理功能。
核心功能增强
自定义令牌生成函数
新版本为Magic Link功能引入了自定义令牌生成函数的能力。开发者现在可以根据业务需求自定义生成令牌的逻辑,这为安全性要求更高的场景提供了更大的灵活性。例如,可以结合特定算法或业务规则生成更复杂的令牌。
可信来源配置支持
安全方面的重要改进是新增了对可信来源配置的函数支持。这一功能允许开发者通过编程方式定义哪些来源是可信的,而不是简单地依赖静态配置。这种动态配置方式特别适合多租户或复杂部署环境,能够更精确地控制访问权限。
管理功能强化
管理员密码设置
在管理功能方面,v1.1.18版本新增了管理员设置用户密码的能力。这一功能简化了密码重置流程,管理员可以直接为用户设置新密码,这在用户自助服务不可用或需要紧急干预的情况下非常有用。
组织成员管理
组织功能新增了"离开组织"的操作,完善了组织成员管理的闭环。用户现在可以自主选择退出不再需要的组织,而不必依赖管理员操作,这提升了用户体验和组织管理的灵活性。
安全与验证改进
用户名验证增强
用户名验证功能得到了显著增强,新增了默认验证规则和可配置的验证选项。开发者现在可以更灵活地定义用户名的格式要求,如长度限制、允许的字符集等,从而确保用户名符合业务规范和安全要求。
速率限制优化
速率限制功能进行了重要修复,现在能正确使用传递的模型名称作为存储标识。这一改进确保了不同模型间的速率限制能够独立计算,避免了潜在的冲突问题,提升了系统的稳定性和安全性。
开发者体验提升
类型系统改进
在开发者体验方面,对类型系统进行了多项优化:
- 移除了客户端中不必要的Zod类型导出
- 对路由推断类型使用Partial处理body和query
- 数据库钩子使用Partial类型避免覆盖先前钩子的返回
这些改进使得类型系统更加精确和友好,减少了开发过程中的潜在错误。
错误处理增强
错误处理机制得到了加强,特别是在OAuth用户信息处理流程中新增了错误日志记录。这一改进帮助开发者更容易诊断和解决认证过程中的问题,提升了调试效率。
移动端支持
针对Expo移动开发框架,修复了OAuth钩子中从APIError获取头部的逻辑。这一改进确保了移动端应用能够正确处理OAuth流程中的错误响应,提升了移动端的认证体验。
总结
BetterAuth v1.1.18版本在安全性、管理功能和开发者体验方面都做出了重要改进。新引入的自定义令牌生成和可信来源配置功能为高级安全场景提供了支持,而用户名验证的增强和组织管理功能的完善则进一步提升了产品的实用性和灵活性。这些改进使得BetterAuth继续保持在现代认证解决方案的前沿位置。
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