PyO3 v0.25.0发布:支持Python 3.14与类型系统增强
PyO3是Rust生态中最重要的Python绑定库之一,它允许开发者用Rust编写Python扩展模块,或将Python解释器嵌入Rust应用程序。近日发布的PyO3 v0.25.0版本带来了多项重要更新,包括对即将发布的Python 3.14的支持、类型系统增强以及多项功能改进。
核心更新内容
Python 3.14兼容性
v0.25.0版本最显著的更新是增加了对Python 3.14 beta版本的支持。虽然Python 3.14尚未正式发布,但PyO3团队已提前做好兼容性准备。需要注意的是,在Python 3.14正式发布前,其API仍可能有变动,PyO3团队将持续关注并做相应调整。
新类型转换支持
此版本新增了对几个流行Rust库的类型转换支持:
- bigdecimal:支持高精度十进制数的转换
- ordered_float:支持有序浮点数的转换
- time:支持时间类型的转换
这些转换功能通过可选依赖实现,开发者可以根据需要选择性地引入这些依赖项。例如,要使用bigdecimal的转换功能,只需在Cargo.toml中添加相应的特性标记即可。
实验性类型检查功能增强
experimental-inspect特性现在能够自动生成类型存根(stubs)。虽然当前生成的存根还比较基础,缺少丰富的信息,但这为未来的静态类型检查奠定了基础。这一功能的完善将需要与setuptools-rust和maturin等工具的配合更新。
#[pyclass]宏的扩展
#[pyclass]宏新增了两个重要选项:
- generic:允许创建泛型Python类
- immutable_type:创建不可变的Python类型
这些选项为开发者提供了更精细的控制能力,可以更好地定义Python类型在运行时的行为特征。
API清理与优化
此版本移除了AsPyPointer trait,因为PyO3的智能指针类型(如Py<T>、Bound<T>和Borrowed<T>)已经提供了更优秀的API来覆盖这一功能。同时,对pyo3-ffi进行了大量清理工作,移除了许多CPython内部实现的私有定义,提高了代码的稳定性和可维护性。
技术细节深入
泛型Python类的实现
新的#[pyclass(generic)]特性允许开发者创建泛型Python类。这在需要创建可重用组件时特别有用。例如,可以定义一个泛型容器类,然后在Python端根据需要使用不同的具体类型。
不可变类型支持
#[pyclass(immutable_type)]创建的Python类型在实例化后将无法修改其属性。这种不可变性在某些场景下非常有用,特别是在多线程环境中或需要确保数据一致性的情况下。
类型存根生成的潜力
虽然当前的类型存根生成功能还比较基础,但它为未来的开发方向指明了道路。随着功能的不断完善,PyO3有望提供更完整的类型系统支持,使Rust编写的Python扩展能够更好地与Python的类型检查工具(如mypy)集成。
升级建议
对于现有项目,升级到v0.25.0需要注意以下几点:
- 移除所有对
AsPyPointertrait的使用,改用PyO3提供的智能指针类型 - 如果项目依赖
pyo3-ffi中的私有API,需要寻找替代方案 - 对于需要新类型转换功能的项目,添加相应的可选依赖
PyO3团队提供了详细的迁移指南,帮助开发者顺利完成版本升级。
总结
PyO3 v0.25.0的发布标志着这个Rust-Python互操作库的持续成熟。通过支持最新的Python版本、增强类型系统功能以及提供更灵活的类定义选项,PyO3进一步巩固了其在Rust生态中的重要地位。特别是对Python 3.14的前瞻性支持,展现了项目团队对Python生态发展的积极响应。随着实验性功能的不断完善,PyO3有望为Rust和Python的互操作带来更多可能性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00