JReleaser v1.18.0 发布:增强构建与部署能力的技术解析
JReleaser 是一个强大的 Java 项目发布工具,它能够自动化整个软件发布流程,包括构建、打包、发布到各种平台以及生成变更日志等。最新发布的 v1.18.0 版本带来了多项功能增强和问题改进,进一步提升了开发者的工作效率和发布体验。
核心功能增强
原生镜像构建支持
v1.18.0 版本中,JReleaser 增加了对 FLAT_BINARY 分布类型的原生镜像构建支持。这意味着开发者现在可以更灵活地使用 GraalVM 原生镜像工具链来构建不同格式的二进制分发包,为不同平台提供更优化的运行时性能。
Docker 构建改进
构建过程中现在会自动包含 git 工具,解决了之前在某些场景下因缺少 git 而导致的构建失败问题。这一改进特别适合那些在构建过程中需要访问 git 仓库信息的项目。
Maven 部署优化
新版本显著提升了 Maven 部署器的稳定性和可靠性:
- 增加了部署超时后的重试机制和延迟处理
- 添加了对 Nexus3 仓库的专门支持
- 当部署到 Maven Central 超时时会显示明确的提示信息
这些改进大大减少了因网络波动或服务端问题导致的部署失败情况。
容器化支持增强
Podman 支持
现在除了 Docker 外,JReleaser 还支持使用 Podman 作为容器构建工具。Podman 是一个无守护进程的容器引擎,在某些环境中可能比 Docker 更受欢迎。这一变化为开发者提供了更多的选择灵活性。
发布流程改进
Forgejo 支持
v1.18.0 版本新增了对 Forgejo 作为发布平台的支持。Forgejo 是一个 Git 托管服务的分支,这一支持使得使用 Forgejo 的团队也能享受到 JReleaser 的自动化发布功能。
GitHub Release 控制
现在可以通过配置显式控制是否将 GitHub Release 标记为最新版本,这为管理多个并行版本提供了更精细的控制能力。
问题改进与稳定性提升
新版本改进了多个影响用户体验的问题:
- 解决了 SMTP 邮件通知中因 Jakarta Mail 重定位导致的类找不到问题
- 优化了组装器解析逻辑,现在只解析被选中的组装器
- 改进了快照构件部署坐标计算错误的问题
- 更新了 AppImage 模板,确保兼容性
开发者工具链更新
JReleaser v1.18.0 同步更新了众多依赖库,包括:
- 升级到 GraalVM 22.3.5
- 更新 Jackson 到 2.19.0
- 升级 Picocli 到 4.7.7
- 更新多个安全相关库版本
这些更新不仅带来了性能改进,也修复了已知的问题。
总结
JReleaser v1.18.0 通过新增功能、优化现有流程和改进问题,进一步巩固了其作为 Java 项目发布自动化首选工具的地位。无论是原生镜像构建、容器化支持,还是对各种仓库和代码托管平台的支持,这个版本都为开发者提供了更强大、更灵活的工具集。对于追求高效、自动化发布流程的 Java 团队来说,升级到 v1.18.0 版本将带来显著的效率提升和更顺畅的发布体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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