cibuildwheel v3.0.0rc1发布:跨平台Python轮子构建工具重大更新
项目简介
cibuildwheel是一个专为Python项目设计的持续集成工具,它能够自动化地在多个平台上构建符合PEP标准的wheel包。这个工具特别适合需要为不同操作系统和Python版本提供预编译二进制分发的项目,大大简化了跨平台打包的复杂性。
v3.0.0rc1版本核心更新
iOS平台支持
本次更新最引人注目的特性是新增了对iOS平台的支持。开发者现在可以在Mac设备上配置iOS工具链后,通过设置platform选项为"ios"来构建适用于iOS的Python wheel包。这一特性为移动端Python应用开发开辟了新的可能性。
新增解释器支持
v3.0.0版本引入了对GraalPy解释器的支持,这是一个基于GraalVM的高性能Python实现。同时,还提供了对即将发布的CPython 3.14的预览支持(当前基于3.14.0b1),通过enable选项中的cpython-prerelease标志启用。
测试环境改进
新版本引入了test-sources选项,允许开发者指定测试时需要复制的文件和目录。这一改进特别适用于iOS构建,也增强了其他平台测试的准确性。值得注意的是,测试工作目录的行为在beta阶段经过调整后,最终回归到与v2.x版本一致的行为。
构建系统优化
默认构建后端从pip wheel改为直接使用build工具,这一变化使得构建日志输出更加清晰可见。同时,构建环境不再预装setuptools和wheel,减少了不必要的依赖。
重要变更与兼容性说明
-
平台镜像更新:默认的manylinux镜像从manylinux2014升级到manylinux_2_28,提供更现代的构建环境。
-
选项系统重构:移除了CIBW_PRERELEASE_PYTHONS和CIBW_FREE_THREADED_SUPPORT选项,将其功能整合到enable选项中,使配置更加统一。
-
Python版本支持:停止对Python 3.6和3.7的支持,最低运行要求提升至Python 3.11,但依然可以构建Python 3.8及更高版本的wheel包。
-
PyPy构建调整:PyPy wheel不再默认构建,需要通过enable选项显式启用。
使用建议
对于考虑升级到v3.0.0的用户,建议:
-
仔细测试新版本中的测试工作目录行为,确保与现有测试流程兼容。
-
如果项目需要构建PyPy wheel,记得在配置中添加相应的enable选项。
-
对于需要构建iOS应用的项目,可以开始尝试新的iOS平台支持特性。
-
考虑将构建配置从旧版manylinux2014迁移到manylinux_2_28以获得更好的兼容性和性能。
这个版本标志着cibuildwheel工具在跨平台Python打包领域又迈出了重要一步,为开发者提供了更强大、更灵活的构建能力。
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