Apache Fury 0.10.3版本发布:兼容性优化与关键修复
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大数据和高并发场景。
版本核心改进
Java平台关键修复
本次0.10.3版本在Java平台进行了多项重要修复:
-
兼容模式字段修复:解决了在兼容模式下父类字段可能丢失的问题。这个修复虽然带来了二进制兼容性的变化,但确保了数据结构的完整性。对于使用兼容模式序列化带有继承结构的类,从0.10.3版本开始将正确处理所有字段。
-
输入流读取优化:修复了FuryObjectInputStream.read方法在length>0时可能返回0的问题,保证了数据读取的可靠性。
-
变长整数处理: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。
-
空字符串处理:优化了MetaStringBytes中对空字符串的处理逻辑,提高了边缘情况的健壮性。
新功能增强
-
Protobuf支持:新增了对Protobuf消息和字节字符串的序列化支持,使得Fury能够更好地与现有Protobuf生态系统集成。
-
测试依赖优化:明确了fury-test-core作为测试依赖在Fury扩展中的定位,避免了不必要的依赖传递。
跨语言支持改进
-
JavaScript环境:移除了对Node.js 12的支持,保持与现代JavaScript运行环境的同步。
-
Python构建:修复了使用pyproject.toml构建PyFury的问题,简化了Python环境的部署流程。同时改进了测试异常信息的输出,便于问题排查。
升级注意事项
由于修复了兼容模式下父类字段处理的问题,0.10.3版本与此前版本在二进制兼容性上有所变化。对于使用兼容模式序列化带有继承结构的Java/Scala/Kotlin类,需要特别注意:
- 新版本序列化的数据可以被旧版本读取,但旧版本序列化的某些数据可能无法被新版本正确反序列化
- 建议在升级后重新序列化关键数据,或实现自定义的迁移策略
总结
Apache Fury 0.10.3版本通过一系列关键修复和功能增强,进一步提升了框架的稳定性和可用性。特别是对兼容模式下继承结构处理的修正,虽然带来了兼容性变化,但解决了潜在的数据完整性问题。新增的Protobuf支持也为需要与现有Protobuf系统集成的用户提供了便利。对于性能敏感型应用,建议评估升级到该版本以获得更可靠的数据序列化体验。
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 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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