Codespeed 技术文档
1. 安装指南
Codespeed 是一个用于监控和分析代码性能的 Web 应用程序。在安装 Codespeed 之前,您需要确保您的系统安装了 Python 2.7 或 3.5 以上版本。
安装依赖项和 Codespeed Django 应用:
pip install codespeed
如果您需要版本控制集成,还需要安装以下额外依赖:
- Subversion 需要
python-svn - Mercurial 需要
mercurial包以本地克隆仓库 - git 需要
git包 - 对于 Github,需要
isodate包,但不需要 git:pip install isodate
注意:对于 git 或 mercurial 仓库,第一次访问更改视图时,Codespeed 将尝试克隆仓库,这可能需要很长时间,请耐心等待。
- 下载最新稳定版本的 Codespeed,从 github.com/tobami/codespeed/tags 解压并使用
python setup.py install安装。 - 要开始使用,您可以将
sample_project目录作为 Django 项目的起点,通过编辑sample_project/settings.py进行配置。 - 为了简化操作,您可以使用默认的 sqlite 配置,这将数据保存到名为
data.db的数据库中。 - 通过在根目录输入以下命令创建数据库:
python manage.py migrate
- 创建管理员用户:
python manage.py createsuperuser
- 为了测试目的,您可以启动开发服务器:
python manage.py runserver 8000
安装完成后,您可以通过访问 http://localhost:8000/ 来使用 Codespeed。
注意:在生产环境中,您应该配置一个真实的 Web 服务器,如 Apache 或 nginx(请参阅 Django 文档)。您还应该修改 sample_project/settings.py 并设置 DEBUG = False。
2. 项目的使用说明
要使用 Codespeed,您需要先进行一些配置:
使用提供的测试数据
如果您想测试 Codespeed,可以使用 testdata.json 固件来获得一个可用的数据集。
./manage.py loaddata codespeed/fixtures/testdata.json
从头开始
在您可以保存(并显示)数据之前,您需要先创建一个环境和默认项目。
- 访问
http://localhost:8000/admin/codespeed/environment/创建环境。 - 访问
http://localhost:8000/admin/codespeed/project/创建项目。
在 "Track changes" 字段上打勾,并根据需要配置版本控制的有关字段。
注意:只有在 "Track changes" 字段勾选的项目中关联的执行文件才会在更改和时间线视图中显示。
注意:Git 和 Mercurial 需要在本地克隆仓库。这意味着您的 sample_project/repos 目录需要由服务器所有。在典型的 Apache 安装中,您需要运行以下命令:
sudo chown www-data:www-data sample_project/repos
3. 项目 API 使用文档
要保存数据,您需要通过 POST 请求发送到 http://localhost:8000/result/add/。
您可以使用 tools/save_single_result.py 脚本作为参考。在保存大量数据时,建议使用 JSON API:
http://localhost:8000/result/add/json/
一个示例脚本位于 tools/save_multiple_results.py。
注意:如果提供的执行文件、基准、项目或修订版本不存在,它们将被自动创建,包括实际结果条目。唯一不会自动创建的模型是环境。环境必须始终存在,否则数据将不会被保存(这就是为什么在之前的 "Codespeed 配置" 部分将其描述为必要步骤的原因)。
4. 项目安装方式
请遵循以下步骤以安装 Codespeed:
- 使用
pip安装 Codespeed 及其依赖项。 - 下载并解压 Codespeed 的稳定版本。
- 运行
python setup.py install来安装 Codespeed。 - 配置 Django 项目,使用
sample_project/settings.py文件。 - 创建数据库、管理员用户并启动开发服务器。
完成这些步骤后,您就可以通过浏览器访问 Codespeed 并开始使用了。
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