Spring Data JPA 3.5.0-RC1 新特性解析与技术前瞻
Spring Data JPA 是 Spring 生态系统中用于简化 JPA 开发的强大框架,它通过减少样板代码和提供便捷的查询方法,显著提高了开发效率。本次发布的 3.5.0-RC1 版本作为候选版本,带来了一些值得关注的新特性和改进。
核心特性解析
查询方法构造器改进
框架对已弃用的 QueryMethod 构造器进行了适配改进。这一变更体现了 Spring Data 团队对 API 稳定性的重视,确保即使底层构造器发生变化,上层应用也能保持兼容性。对于开发者而言,这意味着在升级到新版本时,现有的查询方法定义无需修改即可继续工作。
空值处理增强
QueryUtils 中新增了对 NullHandling 的支持。这一改进使得开发者能够更灵活地控制查询中空值的处理方式,特别是在构建复杂查询时,可以更精确地指定如何处理可能为空的字段条件。例如,可以明确指定是否忽略空值或将其包含在查询条件中。
查询解析器优化
本次版本对 HQL 和 EQL 解析器进行了多项修复和改进:
-
HQL 解析器 现在能够正确处理不带 GROUP BY 的 HAVING 子句,修复了之前版本中的解析限制。这一改进使得开发者可以更自由地构建包含聚合条件但不分组的查询。
-
EQL 解析器 增强了对 IN 表达式的支持:
- 现在可以正确处理常量数组作为 IN 表达式的参数
- 解决了在 IN 表达式中使用保留字和函数的问题
- 改进了对实体字段名中包含 JPQL 保留字的情况的处理
这些改进显著提升了查询构建的灵活性和表达能力,使开发者能够更自然地表达查询意图。
事务边界文档澄清
框架文档中对事务边界建议进行了更清晰的说明。这一改进虽然看似简单,但对于正确使用 Spring Data JPA 非常重要。文档现在更明确地指导开发者如何合理设置事务边界,以避免常见的性能问题和数据一致性问题。
依赖升级
3.5.0-RC1 版本同步更新了多个关键依赖:
- Hibernate 升级至 6.6.13.Final
- EclipseLink 升级至 4.0.6
- 各种 JDBC 驱动程序也进行了版本更新
这些依赖升级带来了底层 ORM 框架的最新功能和性能改进,同时修复了已知的安全问题和缺陷。
开发者建议
对于考虑升级到 3.5.0-RC1 的开发者,建议:
- 首先在测试环境中验证应用与新版本的兼容性
- 特别关注查询解析器的改进可能影响现有查询的地方
- 利用新的空值处理功能优化查询逻辑
- 参考更新后的事务边界建议调整应用的事务管理策略
虽然这是一个候选版本,但其稳定性和功能完整性已经达到了较高水平,适合早期采用者进行评估和测试。正式版本发布后,这些改进将为 JPA 开发带来更流畅的体验。
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