Docker Build-Push-Action中BUILDX_NO_DEFAULT_ATTESTATIONS失效问题分析
问题背景
在Docker多架构镜像构建过程中,用户发现从docker/build-push-action v5.3.0版本开始,环境变量BUILDX_NO_DEFAULT_ATTESTATIONS=1不再生效。这个问题导致使用docker manifest create命令创建多架构镜像清单时出现"is a manifest list"错误。
问题现象
当用户使用v5.3.0及以上版本的build-push-action时,即使设置了BUILDX_NO_DEFAULT_ATTESTATIONS=1环境变量,构建过程中仍然会自动添加provenance参数,导致生成的镜像包含不必要的证明数据(attestation)。而在v5.2.0版本中,该环境变量能正常工作,不会添加这些证明数据。
技术分析
证明数据(Attestation)的作用
证明数据是BuildKit提供的一种机制,用于记录构建过程的元数据,包括构建环境、依赖项等信息。这些数据可以帮助验证镜像的真实性和构建过程的可信度。
问题根源
通过分析版本变更,发现问题源于actions-toolkit从v0.18.0升级到v0.19.0时,BuildKit版本检测逻辑发生了变化。在v5.3.0之前,由于版本检测不准确,导致即使BuildKit版本≥0.11.0,也不会自动添加证明数据。
更新后,BuildKit版本检测正确,当检测到版本≥0.11.0时,会自动添加provenance参数。然而,这个逻辑没有考虑BUILDX_NO_DEFAULT_ATTESTATIONS环境变量的设置,导致用户显式禁用证明数据的行为被忽略。
影响范围
该问题影响从v5.3.0开始的所有版本,包括最新的v6.x系列。对于需要后续使用docker manifest命令处理镜像的用户,这个问题会导致操作失败。
解决方案
项目维护者已经确认这是一个需要修复的问题。建议的修复方案是:
- 在判断是否添加provenance参数时,同时检查BUILDX_NO_DEFAULT_ATTESTATIONS环境变量
- 如果该变量设置为1,即使BuildKit版本支持,也不应自动添加证明数据
临时解决方案
对于受影响的用户,在官方修复发布前,可以采取以下临时方案:
- 暂时降级到v5.2.0版本
- 在构建命令中显式添加--provenance=false参数
- 避免使用docker manifest命令,改用其他方式创建多架构镜像
总结
这个问题展示了环境变量与构建参数优先级处理的重要性。在开发类似的构建工具时,需要确保显式用户设置能够覆盖工具的默认行为。对于Docker多架构镜像构建工作流的用户,理解证明数据的作用和影响至关重要,特别是在需要后续处理镜像的场景中。
随着容器安全要求的提高,证明数据等安全特性会越来越普遍,但工具应该提供清晰的禁用机制,以满足不同场景的需求。
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-1.5暂无简介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
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