OpenMeter 1.0.0-beta.210版本发布:计费系统功能全面升级
OpenMeter是一个开源的计量和计费系统,主要用于跟踪、聚合和报告各种资源的使用情况。该系统特别适合需要精确计量和复杂计费模型的SaaS平台和企业级应用。最新发布的1.0.0-beta.210版本带来了多项重要功能增强和优化,进一步提升了系统的灵活性和实用性。
核心功能增强
计划附加组件兼容性
新版本引入了计划附加组件(plan-addon)的兼容性支持,这一功能允许企业在基础计费计划之外,灵活地添加各种附加服务或功能模块。通过这种模块化设计,企业可以构建更加精细化和个性化的定价策略,满足不同客户群体的需求。
预计费行计量
系统现在支持记录"预计费行"(pre line)的计量数量,这一改进使得在正式计费前就能对使用量进行预估和记录。对于需要预先分配资源或提供使用量预测的场景特别有价值,帮助企业更好地进行资源规划和成本控制。
附加组件分配管理
API层面新增了附加组件分配功能,使得管理员能够通过编程方式管理客户与附加组件之间的关系。这一自动化能力大幅简化了大规模客户环境下的附加服务管理流程,提高了运营效率。
监控与指标增强
AI资源运行监控
收集器组件现在能够记录AI资源的运行数量指标,并将状态码信息添加到AI HTTP请求的监控指标中。这一增强特别针对AI服务提供商,提供了更细粒度的资源使用监控能力,帮助运维团队快速定位性能瓶颈和异常情况。
运行AI指标时间戳修复
修复了运行AI相关指标的时间戳问题,确保所有监控数据的时序准确性。这一改进对于依赖时间序列数据进行计费和容量规划的场景至关重要。
计费模型优化
使用量折扣支持
新版本引入了使用量折扣功能,企业可以根据客户的使用量规模设置阶梯式折扣。这一功能支持多种折扣类型,但系统限制每种类型只能有一个折扣策略,这种设计既保证了灵活性又避免了策略冲突。
订阅附加组件重构
对订阅附加组件系统进行了深度重构,提高了代码的可维护性和扩展性。这一内部架构优化为未来更多附加组件功能的开发奠定了基础。
数据一致性与稳定性改进
计量表唯一键约束
修复了计量表中唯一键约束的问题,确保计量数据的准确性和一致性。这一修复防止了因数据重复导致的计算错误,保障了计费结果的可靠性。
资源比较功能修复
修正了资源比较功能中的问题,确保系统能够正确识别和处理资源变更。这一改进对于依赖自动化资源管理的场景尤为重要。
开发者体验优化
JavaScript客户端改进
针对JavaScript客户端进行了多项修复,包括导出问题和查询返回类型问题。这些改进提升了客户端库的稳定性和易用性,使前端开发者能够更轻松地集成OpenMeter功能。
事件序列化修复
解决了事件中资源控制(RC)序列化的问题,确保事件数据在不同系统间传输时的完整性和一致性。这一修复对于分布式部署环境特别重要。
总结
OpenMeter 1.0.0-beta.210版本通过引入计划附加组件、使用量折扣等新功能,大幅提升了系统的计费灵活性。同时,在监控指标、数据一致性和开发者体验方面的多项改进,使得系统更加稳定可靠。这些增强功能共同构成了一个更加强大和易用的计量计费解决方案,能够满足企业日益复杂的业务需求。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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