Kubernetes于本周三正式发布了代号为"ハル(Haru)"的1.36版本,此次发布的版本说明与徽标设计或许比软件本身更令人印象深刻。
徽标背后的艺术故事
此次徽标由艺名为avocadoneko的艺术家Natsuho Ide创作,灵感来源于葛饰北斋的系列名作《富嶽三十六景》——其中包括广为人知的《神奈川冲浪里》。鉴于版本号恰好是1.36,以北斋作品为徽标灵感显得格外契合,加之北斋的画作大受欢迎,后来又亲自增补了十幅,使整个系列更加完整。
此次徽标重新演绎了系列中最广为人知的作品之一——《凱風快晴》,又名《赤富士》:夏日黎明时分,富士山在晨光中染上红色,长久的融雪之后山顶已不见积雪。
版本名称"ハル(Haru)"在日语中蕴含多重含义,发布公告中写道:"我们最为珍视的含义包括:春(春天)、晴れ(晴空)以及遥か(遥远、辽阔)——一个季节,一片天空,一道地平线。"
发布公告中还描述道:"富士山脚下站立着Stella(左)与Nacho(右)两只猫咪,颈圈上印有Kubernetes的舵轮标志,代替狛犬的角色——狛犬是守护日本神社的成对神兽。成对出现,因为守护从来不是一人之事。"
"Stella与Nacho代表着更为庞大的群体:各个SIG(特别兴趣小组)与工作组、维护者与审查者、负责文档、博客与翻译的人员、发布团队、迈出第一步的新晋贡献者,以及一季又一季持续归来的资深贡献者。Kubernetes v1.36一如既往,由无数双手共同托举。"
徽标上,跨越赤富士的书法写道"晴れに翔け(hare ni kake)",意为"翱翔于晴空",这是一句对联的上半句,因山体空间有限而未能完整呈现:
晴れに翔け、未来よ明け
hare ni kake, asu yo ake
"翱翔于晴空;迎向明日的曙光。"
发布公告随后流露出些许感怀之情:"这是我们为此次发布所寄托的心愿:翱翔于晴空——为这次发布本身,为整个项目,也为所有共同完成它的人。赤富士上方破晓的黎明不是终结,而是一次传递:这次发布将我们带向下一次,再带向此后的每一次,奔赴任何单一视角都无法企及的远方地平线。"
其他版本说明的作者,如今面对的是一道极高的标杆。
软件层面的重要更新
在实质性的技术更新方面,Kubernetes动态资源分配(DRA)生态系统的部分功能已达到完全生产就绪状态,为集群管理员提供了一套稳定、安全的框架,用于全局访问和管理硬件资源,这将显著提升Kubernetes的可管理性。
此外,本次更新还新增了VolumeGroupSnapshot支持,有助于提升系统弹性与可恢复性,并引入了新的扩展方式,允许节点挂载更多存储卷。
值得关注的是,本次版本同时正式退役了Ingress NGINX——这一工具因存在严重缺陷,维护者最终决定将其淘汰,而非尝试修复。
Q&A
Q1:Kubernetes 1.36版本的代号"Haru"有什么含义?
A:Haru(ハル)是一个日语发音,承载多重含义。Kubernetes发布团队特别提到其中最为珍视的三个:春(春天)、晴れ(晴朗的天空)以及遥か(遥远、辽阔)。这个名字同时代表一个季节、一片天空和一道地平线,寄托了团队对这次版本发布的美好期许。
Q2:Kubernetes 1.36版本在技术层面有哪些重要更新?
A:本次更新主要涵盖三个方面:一是动态资源分配(DRA)功能正式达到生产就绪状态,为管理员提供稳定安全的硬件资源管理框架;二是新增VolumeGroupSnapshot支持,提升系统弹性与数据可恢复性;三是扩展了节点可挂载的存储卷数量。此外,存在严重缺陷的Ingress NGINX也在本次版本中被正式退役。
Q3:Ingress NGINX为什么会在Kubernetes 1.36中被退役?
A:Ingress NGINX因存在严重缺陷,维护者经过评估后认为修复代价过高,最终决定直接将其退役,而非投入资源进行修复。这一决定意味着用户需要迁移到其他Ingress解决方案。官方建议受影响的用户尽快规划迁移路径,以确保集群的正常运行。
好文章,需要你的鼓励
FORTIS是专门测量AI代理"越权行为"的基准测试,研究发现十款顶尖模型普遍选择远超任务需要的高权限技能,端到端成功率最高仅14.3%。
谷歌在Android Show发布会上宣布,将Gemini更深度整合至Android系统,推出名为"Gemini Intelligence"的升级功能。该功能可跨应用处理日常任务,包括自动填写表单、安排日程、生成购物清单及自定义小组件等,无需用户频繁切换应用。此外,Gboard新增"Rambler"功能,可自动过滤语音输入中的口误和填充词。Gemini Intelligence将率先登陆三星Galaxy和谷歌Pixel手机,并支持Android Auto、Wear OS及智能眼镜。
荷兰Nebius团队提出SlimSpec,通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇,在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一,端到端推理速度超越现有方法最高达9%。