Harvester v1.4.3-rc4 技术预览版发布分析
Harvester 是一个开源的超融合基础设施(HCI)解决方案,它将计算、存储和网络功能集成到一个统一的平台中。作为基于 Kubernetes 构建的现代 HCI 系统,Harvester 专为云原生环境设计,提供了虚拟化管理、分布式存储和网络功能等核心能力。
本次发布的 v1.4.3-rc4 是 Harvester 1.4 系列的第四个候选发布版本,属于预发布阶段。作为技术预览版,它主要包含了一系列错误修复和组件更新,为即将到来的稳定版本做准备。
核心组件升级
本次发布对多个核心组件进行了版本升级,这些升级带来了性能改进和安全增强:
- Longhorn 升级至 v1.7.3 版本,这是目前 Longhorn 分布式存储系统的最新稳定版,提供了更可靠的块存储管理和数据保护能力
- KubeVirt 更新到 v1.3.1,增强了虚拟化管理功能,包括虚拟机迁移和资源调度方面的改进
- RKE2 升级至 v1.31.7+rke2r1 版本,这是 Rancher 的 Kubernetes 发行版,提供了更稳定的容器编排能力
- 嵌入式 Rancher 保持在 v2.10.1 版本,继续提供集群管理功能
重要修复与改进
虚拟化管理增强
本次发布解决了多个与虚拟机管理相关的问题。修复了虚拟机 SSH 密钥分配不保存的问题,改进了虚拟机迁移操作的可用性检查逻辑,确保迁移选项不会出现在不支持迁移的虚拟机状态上。同时修复了 vGPU 分配显示不正确的问题,使资源监控更加准确。
存储系统优化
在存储方面,修复了自动磁盘路径配置(auto-disk-provision-paths)在某些情况下不工作的问题,增强了存储设备的发现和管理能力。同时解决了 USB 设备虚拟机迁移选项显示不正确的问题,确保操作界面的准确性。
网络功能改进
网络方面的重要修复包括 IP 池配置界面的显示问题,现在配置界面与 YAML 内容保持一致。还解决了负载均衡器 IP 分配可能永久卡住的问题,提高了网络资源管理的可靠性。
用户界面修复
UI 方面进行了多项改进,包括修复了虚拟机强制重置策略设置无法保存的问题,解决了在特定情况下界面显示错误的问题,如设备 ID 重复显示等。还改进了升级过程中的进度显示,使用户能够更清晰地了解系统状态。
系统稳定性提升
本次发布包含多项提升系统稳定性的改进:
- 修复了节点管理器 NTP 同步状态更新不正确的问题,确保时间同步更加可靠
- 优化了 CNI 网络插件缓存清理机制,解决了在某些情况下清理不彻底的问题
- 改进了升级控制器的消息处理逻辑,确保升级状态信息更加准确
- 解决了高负载情况下 harvester 进程 CPU 使用率过高的问题
安装与部署改进
安装程序方面修复了处理错误内核命令行参数时崩溃的问题,提高了安装过程的健壮性。同时提供了完整的 ISO 和网络安装 ISO 两种部署方式,满足不同场景的需求。
技术预览说明
需要注意的是,v1.4.3-rc4 是一个预发布版本,不建议在生产环境中使用。从任何版本升级到这个版本都不被支持,也不保证能够从这个版本升级到后续版本。
对于 ARM64 架构的支持仍处于技术预览阶段,用户可以在测试环境中进行评估,但不应在生产环境中依赖这些功能。
总结
Harvester v1.4.3-rc4 作为 1.4 系列的一个重要更新,通过多项修复和改进提升了系统的稳定性和可用性。特别是对虚拟化管理、存储系统和网络功能的优化,将为用户带来更流畅的使用体验。开发团队建议用户在测试环境中评估这个版本,为即将到来的稳定版本做好准备。
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