Apache Fury 0.10.3版本发布:性能优化与兼容性改进
Apache Fury是一个高性能、跨语言的序列化框架,旨在为分布式系统提供快速、高效的数据交换能力。它支持多种编程语言,包括Java、Python和JavaScript等,特别适合对性能要求苛刻的场景。
主要更新内容
Java核心改进
本次版本在Java实现方面进行了多项重要优化:
-
二进制兼容性修复:解决了
CompatibleMode下父类字段缺失的问题。需要注意的是,这一修复会导致与0.10.3之前版本的二进制兼容性发生变化。对于使用继承结构的类,升级后需要重新序列化数据。 -
输入流处理增强:确保
FuryObjectInputStream.read方法在length>0时不会返回0,提高了数据读取的可靠性。 -
变长整数读取优化:改进了
readVarUint36Small方法的实现,确保无论剩余缓冲区大小如何都能正确读取完整位数。 -
字符串处理改进:修复了
MetaStringBytes中空字符串的处理逻辑,提升了边缘情况下的稳定性。 -
Protobuf支持增强:新增了对Protobuf消息和字节字符串的序列化支持,使得与Protobuf生态的集成更加便捷。
跨语言支持
-
Python构建改进:修复了使用pyproject.toml构建PyFury的问题,简化了Python环境的部署流程。
-
测试增强:改进了Python测试的异常输出,便于开发者快速定位问题。
-
依赖管理:明确了fury-test-core在Fury扩展中的测试依赖关系,避免了潜在的依赖冲突。
环境支持调整
移除了对Node.js 12的支持,建议用户升级到更新的Node.js版本以获得更好的性能和安全性。
技术深度解析
兼容性模式改进
在之前的版本中,当使用兼容模式序列化具有继承结构的类时,父类的字段可能会丢失。0.10.3版本彻底修复了这一问题,但这也带来了二进制兼容性的变化。对于生产系统,建议:
- 评估现有序列化数据是否需要迁移
- 考虑在升级期间实现双写双读策略
- 为关键数据结构添加版本标识
性能优化细节
变长整数读取的优化特别值得关注。在序列化框架中,变长编码是节省空间的重要手段。新版本确保在各种边界条件下都能正确读取36位的小整数,这对于处理大量数值型数据的场景尤为重要。
Protobuf支持的加入使得Fury能够更好地融入现有的微服务架构。开发者现在可以:
- 在需要极致性能的场景使用Fury原生序列化
- 在需要与现有Protobuf服务交互时使用Protobuf适配器
- 逐步迁移而无需重写所有序列化逻辑
升级建议
对于现有用户,升级到0.10.3版本时应注意:
- 全面测试继承结构的序列化/反序列化
- 检查Node.js环境是否满足新版本要求
- Python用户可受益于更简单的构建流程
- 考虑Protobuf集成带来的新可能性
Apache Fury 0.10.3版本在稳定性、兼容性和功能性方面都做出了显著改进,是生产环境值得考虑的升级选择。特别是对于需要处理复杂对象图和高性能序列化的场景,这些改进将带来明显的收益。
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