OpenJ9项目中ThreadListStackTracesTest测试超时问题的分析与解决
在OpenJ9项目JDK24版本的测试过程中,发现serviceability/jvmti/vthread/ThreadListStackTracesTest测试用例出现了超时问题。该问题与虚拟线程(Virtual Threads)和JVMTI(JVM Tool Interface)功能相关,特别是在启用了YieldPinnedVirtualThreads(JEP491)特性时重现。
测试用例的主要目的是验证JVMTI接口在多线程环境下获取线程堆栈跟踪的能力。测试过程中,当尝试获取被锁定的虚拟线程状态时,程序出现了长时间挂起,最终触发了960秒的超时限制。
从测试日志可以看出,测试在执行到获取重入锁和进入同步语句块时卡住。测试期望看到线程状态在WAITING和BLOCKED之间转换,但实际执行时未能完成状态验证。这表明可能存在虚拟线程调度或锁获取方面的问题。
开发团队通过分析发现,问题根源在于虚拟线程与JVMTI交互时的同步机制。当启用YieldPinnedVirtualThreads特性时,虚拟线程的调度行为发生变化,可能导致某些情况下线程无法及时释放资源或被正确调度。
解决方案涉及对JVMTI处理虚拟线程状态的逻辑进行优化,确保在各种调度场景下都能正确获取线程堆栈信息。修复后,测试能够顺利完成所有验证步骤,不再出现超时情况。
这个问题展示了虚拟线程与传统线程模型在工具接口支持方面的差异。随着Java平台对虚拟线程支持的不断完善,相关工具链(如JVMTI)也需要相应调整以适应新的并发模型。OpenJ9团队通过解决此类问题,持续提升运行时环境对现代Java特性的支持能力。
该修复已通过多个拉取请求验证并合并,重新启用了相关测试用例。这标志着OpenJ9在虚拟线程支持方面又向前迈进了一步,为开发者提供了更可靠的虚拟线程调试和监控能力。
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