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。
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