Mill构建工具发布流程升级:从Sonatype OSSRH迁移到Central Portal
随着Sonatype宣布将在2025年6月停止对Nexus Repository 2.x版本的支持,Mill构建工具社区正积极推动发布流程的现代化改造。本文将详细介绍Mill项目如何从传统的Sonatype OSSRH发布方式迁移到新的Central Portal平台。
背景与挑战
传统上,Java/Scala项目通过Sonatype的OSS Repository Hosting(OSSRH)服务发布到Maven中央仓库。Mill文档中现有的发布指南主要基于这一旧有流程,但随着Sonatype技术栈的更新,这种发布方式即将被淘汰。
新的Central Portal提供了更现代化的发布体验,但Mill目前仅通过一个contrib插件(mill-contrib-sonatypecentral)提供支持,且文档分散在不同位置,这给用户带来了不小的困惑。
技术改进方案
Mill社区计划进行以下关键改进:
-
核心功能整合:将sonatypecentral插件从contrib目录迁移到scalalib核心包中,使其成为标准发布流程的一部分。
-
文档全面更新:重写发布文档,删除过时的OSSRH相关内容,专注于Central Portal的最佳实践。包括详细的账号注册、项目配置和发布流程说明。
-
示例项目增强:为Scala、Java和Kotlin模块分别提供完整的发布示例,展示从项目配置到实际发布的端到端流程。
-
验证机制:要求贡献者使用自己的GroupID实际发布测试工件到Central Portal,确保文档中的每个步骤都经过验证。
技术实现细节
新的发布流程将基于以下技术组件:
-
签名验证:继续使用GPG对工件进行签名,这是Maven中央仓库的强制要求。
-
认证配置:支持通过环境变量或配置文件提供Central Portal的API密钥。
-
发布协议:采用HTTPS协议与Central Portal API交互,取代旧有的SSH/SFTP方式。
-
元数据生成:自动生成符合要求的pom.xml文件,包含必要的许可证和开发者信息。
迁移时间表
考虑到Sonatype将在2025年6月30日完全停止OSSRH服务,Mill计划在0.13.0版本中完成这一变更。这将给用户足够的时间适应新的发布流程。
开发者建议
对于正在使用Mill发布工件的开发者,建议:
-
尽早注册Central Portal账号并申请GroupID。
-
测试新发布流程,可以在个人GroupID下发布测试版本。
-
检查构建脚本中的发布配置,准备迁移到新的API。
-
关注Mill的版本更新,确保在截止日期前完成迁移。
这次变更虽然带来短期的适配工作,但从长远看将简化发布流程,提供更可靠的发布体验。Mill社区通过这种前瞻性的改进,再次展现了其对开发者体验的重视。
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