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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00