Infinity项目在RHEL/Rocky 8上的原生构建及C/C++接口使用指南
原生环境构建方案
对于需要在RHEL/Rocky 8系统上直接构建Infinity项目而不使用Docker容器的用户,可以参考以下构建流程。虽然官方文档主要针对Ubuntu系统,但核心依赖库在RHEL系发行版上同样适用。
构建前需要确保系统已安装以下基础开发工具和库:
- 现代C++编译器(支持C++17标准)
- CMake构建系统(3.15或更高版本)
- Boost库(1.70或更高版本)
- Thrift框架(用于RPC通信)
- OpenSSL开发包
- zlib压缩库
- Python3开发环境
具体构建步骤可分为以下几个阶段:
-
环境准备阶段: 安装必要的开发工具链和依赖库,可以通过yum包管理器完成基础组件的安装。特别注意需要安装EPEL仓库以获取部分额外的软件包。
-
源码获取阶段: 克隆Infinity项目仓库并初始化子模块,确保获取完整的代码库。
-
构建配置阶段: 创建独立的构建目录,运行CMake进行配置。需要特别注意指定各依赖库的路径,特别是在非标准安装位置时。
-
编译阶段: 使用make或ninja进行实际编译,建议根据CPU核心数设置合适的并行编译参数以提高效率。
-
安装阶段: 将编译生成的二进制文件、库文件和头文件安装到系统目录或指定位置。
C/C++接口使用方案
Infinity项目虽然主要提供Python API文档,但其底层实现基于C++,开发者可以通过以下两种方式在C/C++环境中使用Infinity功能:
HTTP REST接口方式
这是最通用的集成方案,通过标准的HTTP协议与Infinity服务交互。开发者可以使用任何支持HTTP的C/C++库(如libcurl)来实现客户端功能。这种方式具有以下特点:
- 跨语言兼容性好
- 无需处理底层通信细节
- 可以利用现有的HTTP客户端库
- 与Web前端使用相同的接口规范
Thrift RPC接口方式
对于需要更高性能或更紧密集成的场景,可以使用Thrift框架直接调用Infinity服务。这种方式需要:
- 了解Thrift接口定义文件
- 生成对应的C++客户端代码
- 实现服务连接和调用逻辑
虽然官方没有完整维护C++客户端示例,但可以参考项目中的基础实现作为起点。Thrift方式提供了更高效的二进制通信协议和更直接的API调用方式。
实际应用建议
对于大多数生产环境,建议优先考虑HTTP接口方案,因其具有更好的可维护性和兼容性。只有在性能要求极高且团队熟悉Thrift开发的情况下,才考虑直接使用Thrift RPC方式。
无论选择哪种方式,都建议封装专门的客户端类库,将底层通信细节与业务逻辑分离,这样可以在未来需要切换接口方式时减少改动范围。
通过以上方案,开发者可以在RHEL/Rocky 8环境中成功构建和使用Infinity项目,并根据项目需求选择合适的集成方式。
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