async-nats v0.39.0 发布:对象存储与KV功能全面增强
项目简介
async-nats 是 NATS 消息系统的 Rust 异步客户端实现。NATS 是一个高性能的开源消息系统,专为云原生应用、微服务架构和分布式系统设计。async-nats 提供了与 NATS 服务器交互的异步接口,支持核心的发布/订阅模式、请求/响应模式,以及 JetStream 持久化消息等功能。
版本亮点
async-nats v0.39.0 版本主要聚焦于对象存储(Object Store)和键值存储(KV)功能的增强与优化。这两个功能是 NATS JetStream 提供的持久化存储解决方案,分别适用于大文件存储和简单的键值对存储场景。
新增功能
1. 增强的键值存储监控功能
新版本引入了kv::watch_many系列函数,允许开发者同时监控多个键的变化。这一功能对于需要跟踪多个相关键状态的应用程序特别有用,比如配置管理系统或状态跟踪系统。
2. 对象存储元数据支持
对象存储现在支持元数据和头部信息的添加。元数据可以包含对象的描述性信息,如创建时间、作者等;头部信息则可用于存储与对象相关的额外数据,这些数据不会影响对象本身的内容但可以用于辅助处理。
3. 对象存储元数据更新
除了添加元数据外,新版本还允许更新已存在对象的元数据和头部信息。这一功能使得对象的管理更加灵活,可以在不修改对象内容的情况下更新其元信息。
4. 原始消息获取方法
新增了从流中获取原始消息的额外方法,为需要直接处理消息原始数据的场景提供了更多选择。
功能改进
1. 采样频率支持百分比值
现在支持在采样频率设置中使用百分比值,这使得配置更加灵活直观。采样频率用于控制消息采样的比例,对于高吞吐量场景下的监控和调试非常有用。
2. 推送消费者采样频率处理优化
改进了推送消费者在采样频率序列化和反序列化方面的测试,提高了相关功能的稳定性和可靠性。
3. 对象存储自动清理
在调用ObjectStore::put方法时,现在会自动删除旧版本的对象。这一改进简化了对象版本管理,避免了存储空间的浪费。
其他重要变更
1. 测试环境优化
测试现在默认使用 JetStream 严格模式,这有助于发现潜在的问题并提高代码质量。
2. 依赖项优化
改进了临时依赖项的处理,使得项目的构建更加高效和可靠。
3. 错误信息改进
优化了jetstream::Error的显示消息,使其更加清晰和有用,有助于开发者快速定位和解决问题。
4. 移除过时的实验性标志
移除了服务 API 的实验性标志,表明该功能已经稳定并可用于生产环境。
总结
async-nats v0.39.0 版本通过增强对象存储和键值存储功能,为开发者提供了更强大、更灵活的持久化存储解决方案。特别是元数据支持和自动清理功能的加入,使得这两个存储系统在实际应用中的可用性大幅提升。同时,各种细节改进和错误处理优化也提高了整个库的稳定性和开发体验。
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