Centrifuge项目v0.34.4版本发布:优化跨域预检请求与Redis兼容性
Centrifuge是一个高性能的实时通信库,它提供了WebSocket、HTTP流等多种实时数据传输方式,并支持多种后端存储和消息代理。该项目广泛应用于构建实时聊天、通知推送、在线协作等需要低延迟通信的场景。
预检请求优化
在v0.34.4版本中,Centrifuge针对跨域资源共享(CORS)的预检请求(preflight requests)进行了两项重要改进:
-
预检请求缓存:现在服务器会对跨域双向模拟场景(http_stream和模拟端点)中的预检请求进行缓存,缓存时间为300秒。这项改进显著减少了不必要的预检请求数量,将原本需要两次往返(RTT)的通信过程优化为只需一次。
-
响应状态码变更:对于预检请求,服务器现在返回204(No Content)状态码而非原来的200(OK)。这一变更更加符合HTTP规范,因为预检请求本身不需要返回任何内容。
Redis客户端兼容性调整
该版本将rueidis Redis客户端库从较新版本回退到v1.53.0,主要是为了解决在强制使用RESP2协议时可能出现的认证错误问题。这是一个临时性的兼容性调整,预计在rueidis的下一个稳定版本中会修复这个问题。
文档完善
v0.34.4版本还完善了关于模拟传输中http.ResponseController使用的文档说明。这个控制器在处理HTTP基础实时传输时对超时控制非常重要,特别是在服务器端设置超时的情况下。
技术背景与价值
预检请求是浏览器在发送跨域请求前自动发起的一种OPTIONS请求,用于检查服务器是否允许实际的跨域请求。在实时通信场景中,频繁的预检请求会增加网络开销和延迟。Centrifuge通过缓存机制有效解决了这个问题,对于提升Web应用的实时性能有显著帮助。
Redis兼容性调整则确保了在各种Redis部署环境下的稳定连接,特别是那些仍在使用旧版RESP2协议的环境。
这些改进体现了Centrifuge项目对性能优化和稳定性的持续关注,使得开发者能够构建更加高效可靠的实时应用。
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