OpenTelemetry .NET 核心库1.11.0版本发布:增强指标与追踪功能
OpenTelemetry是一个开源的观测性框架,它提供了一套统一的API、SDK和工具,用于收集、处理和导出遥测数据(包括指标、日志和追踪)。作为云原生计算基金会(CNCF)的毕业项目,OpenTelemetry已经成为现代分布式系统可观测性的标准解决方案。在.NET生态中,OpenTelemetry .NET项目为开发者提供了强大的工具来监控和诊断应用程序性能。
本次发布的OpenTelemetry .NET核心库1.11.0版本带来了几个重要的改进和修复,主要集中在指标和追踪功能方面。这些改进进一步增强了框架的稳定性和功能性,使开发者能够更精确地监控应用程序的运行状态。
指标功能增强:Meter标签支持
1.11.0版本中最重要的改进之一是增加了对Meter.Tags的全面支持。在.NET的Metrics API中,Meter是创建和记录指标的主要入口点。在此之前,当多个Meter实例具有相同名称但不同标签时,SDK可能会错误地将它们视为同一个Meter,导致指标数据混淆。
新版本解决了这个问题,现在SDK会同时考虑Meter的名称和标签来唯一标识每个Meter。这意味着开发者可以创建多个具有相同名称但不同标签的Meter实例,每个实例将正确地生成独立的指标数据。这一改进特别适用于多租户或复杂部署场景,其中需要区分来自不同环境或配置的相同组件产生的指标。
例如,在微服务架构中,如果同一个服务运行在不同的数据中心,开发者现在可以为每个数据中心的实例创建带有不同"location"标签的Meter,从而在指标中清晰地区分各个位置的性能数据。
追踪功能修复:TraceState传播问题
另一个重要修复涉及追踪功能中的TraceState传播问题。TraceState是W3C追踪规范中定义的一个机制,允许在分布式追踪中携带额外的上下文信息。在之前的版本中,当使用自定义Sampler设置TraceState时,如果创建的是仅用于传播的span(不记录采样数据的span),这些TraceState信息可能会丢失。
1.11.0版本修复了这个问题,确保无论span是否被采样,通过Sampler设置的TraceState都能正确传播。这对于需要跨服务传递特定上下文信息的场景尤为重要,比如在复杂的业务工作流中传递事务ID或业务相关的元数据。
其他组件更新
除了核心功能的改进外,本次发布还包含了多个相关组件的更新:
- OpenTelemetry.Exporter.Console:控制台导出器,用于开发和调试时查看遥测数据
- OpenTelemetry.Exporter.InMemory:内存导出器,主要用于测试场景
- OpenTelemetry.Exporter.OpenTelemetryProtocol:OTLP协议导出器,用于将数据发送到兼容的收集器
- OpenTelemetry.Exporter.Zipkin:Zipkin导出器,支持将数据发送到Zipkin后端
- OpenTelemetry.Extensions.Hosting:为ASP.NET Core应用提供便捷的集成支持
- OpenTelemetry.Extensions.Propagators:提供上下文传播的扩展支持
这些组件都同步更新到了1.11.0版本,与核心库保持兼容性。
升级建议
对于正在使用OpenTelemetry .NET的项目,建议评估1.11.0版本的新特性是否适用于当前场景。特别是那些:
- 需要基于不同标签区分相同组件指标的项目
- 依赖TraceState传递重要上下文信息的分布式系统
- 使用自定义Sampler并需要确保TraceState正确传播的应用
升级过程通常只需要更新NuGet包版本即可,但建议在测试环境中验证新版本的行为是否符合预期。
总结
OpenTelemetry .NET 1.11.0版本通过增强Meter标签支持和修复TraceState传播问题,进一步提升了框架的可靠性和灵活性。这些改进使得开发者能够更精确地收集和分析应用程序的观测数据,特别是在复杂的分布式环境中。作为.NET生态中可观测性的重要工具,OpenTelemetry .NET持续演进,为构建可观察、可维护的云原生应用提供强大支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00