Odigos 1.0.144版本发布:全面增强可观测性能力
Odigos是一个开源的分布式追踪系统,专注于为云原生应用提供无缝的可观测性解决方案。该项目通过自动检测应用程序并收集遥测数据,帮助开发者快速定位和解决分布式系统中的问题。
核心功能增强
本次发布的1.0.144版本在多个方面进行了重要改进:
1. 新增Red Hat UBI支持
项目现在提供了基于Red Hat Universal Base Image(UBI)的Docker镜像和构建目标。这使得Odigos能够更好地运行在Red Hat OpenShift等企业级Kubernetes环境中,满足了企业用户对安全性和合规性的要求。
2. 强化Source CRD功能
新增了Source CRD文档,完善了相关功能实现。Source CRD现在支持reported name字段,同时废弃了原有的odigos.io/reported-name注解。这一改进使得资源管理更加规范化和标准化。
3. 增强.NET支持
特别增加了对传统.NET框架的支持,扩展了Odigos在微软技术栈中的适用性。开发者现在可以更方便地在.NET应用中使用Odigos进行分布式追踪。
架构与性能优化
1. 领导者选举配置增强
改进了领导者选举机制,提高了系统在高可用场景下的稳定性。新的配置能够更好地处理节点故障转移情况,确保服务连续性。
2. 资源使用优化
通过限制instrumentation实例数量,有效控制了资源消耗。同时更新了OpenTelemetry相关依赖至最新版本,提升了性能并修复了已知问题。
用户体验改进
1. UI界面升级
引入了全新的UI组件库,支持明暗两种主题模式。新增了只读模式指示标记,当系统处于只读状态时会明确提示用户。
2. 文档全面更新
重构了架构和流水线部分的文档,自动生成了CLI和CRD API参考文档。新增了专业版功能文档,帮助用户更好地理解和使用高级特性。
安全与稳定性
1. 依赖项升级
更新了多个关键依赖项,包括:
- 将controller-runtime升级至0.20.1版本
- 更新gRPC至1.70.0
- 升级OpenTelemetry至1.34.0
这些更新带来了性能提升和安全修复。
2. 环境变量处理优化
改进了环境变量注入机制,使用webhook方式注入instrumentation相关环境变量,提高了可靠性和安全性。同时完善了卸载过程中的环境变量清理逻辑。
新增特性亮点
1. Traceloop目标支持
新增了对Traceloop目的地的支持,扩展了数据输出选项。用户现在可以将追踪数据直接发送到Traceloop进行分析。
2. 代码属性配置
通过instrumentation规则支持代码属性配置,开发者可以更精细地控制哪些代码部分需要被检测。
3. 诊断功能增强
现在可以从数据收集和网关组件收集pprof数据,帮助开发者更全面地诊断系统问题。同时优化了诊断过程中的限流处理。
向后兼容性说明
本次版本中标记了一些即将废弃的功能:
- 废弃了WorkloadInstrumentationConfig
- 标记了instrumentedApplication为即将废弃
- 移除了odigos.io/reported-name注解
建议用户尽快迁移到新的Source CRD和相关字段。
Odigos 1.0.144版本通过上述多项改进,进一步提升了系统的功能性、稳定性和易用性,为开发者提供了更强大的分布式追踪解决方案。无论是新增的Red Hat UBI支持,还是增强的.NET检测能力,都体现了项目团队对多样化应用场景的关注。建议现有用户尽快升级以获取这些改进和新特性。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00