Mill项目实现跨平台可执行JAR的技术探索
在Java生态系统中,JAR文件作为标准打包格式已经存在多年,但其在跨平台执行方面仍存在一些局限性。Mill项目团队最近提出了一个创新性的解决方案:通过将JAR文件转换为真正的跨平台可执行文件(APE),从而消除在不同操作系统上的执行障碍。
背景与挑战
传统上,在Windows系统上执行JAR文件需要将其重命名为.bat扩展名,这给用户带来了不便。Mill项目团队希望找到一种方法,使得JAR文件能够直接执行,无需考虑文件名或操作系统差异。
APE技术简介
APE(Actually Portable Executable)是一种创新的可执行文件格式,它能够在多种操作系统和CPU架构上原生运行。这项技术的关键优势在于:
- 真正的跨平台支持,包括Linux、macOS和Windows等主流操作系统
- 支持多种CPU架构,如x86和ARM
- 无需修改文件名即可直接执行
技术实现方案
团队提出了两种潜在的技术实现路径:
-
混合二进制方案:通过将一个小型的APE二进制预加载器与JAR文件结合。这个预加载器本质上是一个用C编写的跨平台程序,其职责是调用Java运行时来执行附加的JAR内容。这种方法的优势在于实现相对简单,且不依赖特定的Java实现。
-
GraalVM原生镜像集成:更进一步的方案是利用正在开发中的GraalVM对Cosmopolitan(APE背后的技术)的支持,直接生成真正的跨平台原生镜像。这将完全消除对Java运行时的依赖,实现最佳性能。
技术细节与考量
在第一种方案中,技术实现的核心是一个精简的C程序,其伪代码如下:
int main(int argc, char* argv[]) {
exec...("java", "-cp", argv[0], "<main class>", <rest of argv>)
}
这个程序会被编译为APE格式,然后与原始JAR文件合并。当用户执行合并后的文件时,APE加载器会自动识别当前平台,然后调用适当的Java运行时来执行嵌入的JAR内容。
项目意义与展望
这项技术改进将为Java开发者带来显著的便利:
- 简化部署流程,消除平台相关的特殊处理
- 提升用户体验,使Java应用更像原生应用
- 为未来实现真正的跨平台原生镜像铺平道路
Mill项目的这一创新不仅解决了实际问题,也展示了Java生态与现代系统编程技术结合的潜力。随着技术的成熟,我们可能会看到更多Java应用采用这种真正跨平台的部署方式。
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