Apache Fury项目中的JPMS模块化支持实践
引言
随着Java平台模块系统(JPMS)的普及,越来越多的Java项目开始考虑模块化支持。Apache Fury作为一个高性能的序列化框架,近期也面临了如何优雅支持JPMS的需求。本文将深入探讨Fury项目在模块化支持方面的技术决策和实践经验。
JPMS模块化的必要性
在Java 9引入模块系统后,未声明模块名称的JAR文件会被视为自动模块(automatic modules),这会导致构建时出现警告信息。对于像Fury这样的库项目来说,明确声明模块名称不仅能消除这些警告,还能为未来的完全模块化做好准备。
模块化方案选择
Fury项目团队经过评估,确定了两个可行的模块化路径:
-
最小化方案:通过在MANIFEST.MF中添加Automatic-Module-Name条目来声明模块名称。这种方式简单易行,不影响现有构建流程,且完全向后兼容。
-
完整模块化:提供完整的module-info.java描述符。这需要更复杂的构建配置,可能涉及多版本JAR或双阶段编译,但能提供完全的模块化支持。
实施细节
Fury项目最终选择了最小化方案作为第一步,主要考虑因素包括:
- 部分依赖(如Arrow)尚未发布JPMS支持版本
- 需要保持对Java 8的长期支持
- 简单性优先,逐步演进
模块命名采用了"org.apache.fury.core"、"org.apache.fury.format"等直观的层级命名方式,既保持了与项目结构的一致性,又符合Java模块命名规范。
未来展望
虽然当前采用了最小化方案,但团队已经规划了完整的模块化路线图。未来可能采用的完整模块化方案有两种主要实现方式:
-
双阶段编译:先以Java 9+编译module-info.java,再用Java 8编译其余代码。这种方式的优点是IDE支持良好,缺点是会混入Java 9+编译的类文件。
-
多版本JAR:将module-info.java放在单独的源目录中,构建为多版本JAR。这种方式更规范,但会带来测试流程的复杂性。
经验分享
从技术实践来看,模块化过程中需要注意几个关键点:
- 依赖项的模块化状态会直接影响项目的模块化策略
- 测试流程需要相应调整,特别是涉及服务加载(uses/provides)的情况
- 构建工具(Maven/Gradle)的配置需要精心设计以支持多版本编译
结语
Apache Fury的模块化实践展示了一个成熟项目如何逐步拥抱JPMS。从简单的模块名称声明开始,到规划完整的模块化支持,这种渐进式演进策略既保证了当前版本的稳定性,又为未来发展奠定了基础。对于其他类似项目而言,Fury的经验提供了有价值的参考。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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