Trigger.dev SDK 3.3.11版本发布:支持运行时指定任务执行规格
Trigger.dev是一个专注于工作流自动化和任务编排的开源项目,它提供了强大的SDK帮助开发者在应用程序中构建可靠的后台任务和工作流。该项目通过抽象化复杂的分布式系统概念,让开发者能够专注于业务逻辑的实现。
在最新发布的3.3.11版本中,Trigger.dev SDK引入了一项重要功能:支持在触发任务时动态指定执行规格(machine preset)。这一改进为任务执行提供了更灵活的资源配置能力。
动态执行规格配置
在之前的版本中,任务的执行规格(如CPU、内存等资源配置)只能在任务定义时静态设置。3.3.11版本打破了这一限制,允许开发者在触发任务的运行时动态指定执行规格。
这项功能通过新增的machine选项实现,可以与所有类型的触发函数配合使用:
// 基本触发,使用任务定义的默认规格(默认为"small-1x")
await childTask.trigger({ message: "Hello, world!" });
// 动态指定执行规格为"small-2x"
await childTask.trigger({ message: "Hello, world!" }, { machine: "small-2x" });
// 同样适用于等待完成的触发方式
await childTask.triggerAndWait({ message: "Hello, world!" }, { machine: "small-2x" });
// 批量触发时也可为每个任务单独指定规格
await childTask.batchTrigger([
{ payload: { message: "Hello, world!" }, options: { machine: "micro" } },
{ payload: { message: "Hello, world!" }, options: { machine: "large-1x" } },
]);
技术实现与优势
这一功能的实现基于Trigger.dev的核心架构,它允许任务执行环境的配置在运行时动态调整。开发者现在可以根据实际业务需求,为不同重要程度或资源需求的任务分配合适的计算资源。
例如,对于数据处理密集型任务可以使用"large-1x"规格,而对于简单的通知任务则可以使用"micro"规格。这种细粒度的资源控制能够显著提高资源利用率,降低运营成本。
向后兼容性
新版本完全向后兼容,现有的任务定义和行为保持不变。如果不在触发时指定machine选项,系统将回退到任务定义时设置的默认规格,若无设置则使用系统默认的"small-1x"规格。
总结
Trigger.dev SDK 3.3.11版本的这一改进为开发者提供了更灵活的任务执行控制能力,使得资源分配可以根据实际业务场景动态调整。这对于构建高效、经济的后台任务系统具有重要意义,特别是对于资源需求差异大的复杂工作流场景。
开发者现在可以更精细地优化任务执行策略,在保证性能的同时实现资源的最优利用,进一步提升了Trigger.dev在生产环境中的实用价值。
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-1.5暂无简介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
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
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