Django Celery Beat 2.8.0 版本发布:更强大的定时任务管理
Django Celery Beat 是一个基于 Django 的 Celery 定时任务调度器扩展,它允许开发者使用 Django 的 ORM 来管理 Celery 的周期性任务。这个项目为 Django 应用提供了强大的定时任务管理能力,使得开发者可以方便地在数据库中创建、修改和监控周期性任务。
主要更新内容
1. 任务调度优化
新版本修复了长期周期性任务可能永远不会被触发的问题,这是一个重要的改进。在之前的版本中,如果任务的执行间隔设置得非常长(比如几个月或几年),调度器可能会出现计算错误,导致任务错过执行时间。这个修复确保了所有周期性任务都能按照预期的时间准确执行。
2. 时间计算修复
开发团队修复了由于 start_time 导致的时间计算问题。在某些情况下,任务的开始时间设置会影响后续执行时间的计算,导致任务执行时间偏离预期。这个修复确保了任务调度时间的准确性,特别是在处理跨时区或夏令时变更等复杂场景时。
3. 数据库查询优化
新版本对数据库调度器的查询进行了优化,特别是改进了 all_as_schedule 查询的性能。这个优化减少了数据库负载,提高了调度器在高负载环境下的响应速度,对于管理大量周期性任务的系统尤为重要。
4. 任务过期处理改进
修复了 expires 和 expire_seconds 参数工作不正常的问题。现在,任务的过期设置能够正常工作,确保过期的任务不会被错误地执行,同时也不会占用系统资源。
5. 管理界面增强
在 Django 管理后台中,新增了任务字段到搜索字段列表中。这使得管理员能够更方便地查找和过滤特定的周期性任务,提升了管理界面的可用性。
6. 人类可读描述改进
对于每周都执行的任务,现在的人类可读描述中移除了"一周中的每一天"的冗余描述,使任务描述更加简洁明了。
兼容性更新
Django Celery Beat 2.8.0 增加了对 Django 5.2 RC1 的支持,同时保持了对 Django 2.2 及以上版本的兼容性。此外,项目现在也支持 Python 3.13 的测试环境,确保了与最新 Python 版本的兼容性。
国际化支持
新版本增加了波斯语(Farsi)的翻译支持,使得非英语用户能够更好地使用这个工具。这体现了项目对国际化支持的持续投入。
测试和质量保证
项目持续改进其测试基础设施,包括:
- 迁移到 Blacksmith 工作流
- 增加了代码覆盖率报告上传到 Codecov 的功能
- 更新了 pre-commit 钩子配置
- 改进了持续集成流程
这些改进确保了代码质量和稳定性,为开发者提供了更可靠的定时任务管理工具。
总结
Django Celery Beat 2.8.0 版本带来了多项重要改进和修复,特别是在任务调度准确性、性能优化和管理界面可用性方面。这些改进使得它成为 Django 项目中管理 Celery 周期性任务的更加强大和可靠的选择。对于已经在使用 Django Celery Beat 的项目,建议升级到这个版本以获得更好的性能和稳定性。对于新项目,这个版本提供了更加完善的定时任务管理解决方案。
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