ONNX项目从Azure DevOps迁移到GitHub Actions的实践
在开源项目的持续集成(CI)实践中,选择合适的CI/CD平台对于提高开发效率和构建质量至关重要。ONNX项目团队近期完成了从Azure DevOps到GitHub Actions的迁移工作,这一转变带来了诸多优势。
迁移背景
ONNX作为一个开放的神经网络交换格式项目,其持续集成系统需要支持跨平台构建、测试和验证。原本使用的Azure Pipelines虽然功能完善,但与GitHub的集成度不如原生GitHub Actions紧密。迁移后,团队可以更直接地管理CI流程,减少配置复杂度,同时获得更快的构建速度。
技术实现要点
迁移过程中,团队重点关注了以下几个技术环节:
-
工作流定义转换:将原有的Azure Pipelines YAML配置转换为GitHub Actions的工作流文件格式。GitHub Actions使用类似的YAML语法,但结构和部分语法有所不同。
-
矩阵构建支持:ONNX需要支持多平台、多版本的测试。GitHub Actions的矩阵策略(matrix strategy)被用来替代Azure Pipelines的并行作业配置,实现了更简洁的多环境测试定义。
-
缓存机制优化:利用GitHub Actions的缓存功能优化依赖下载和构建中间结果的存储,显著减少了构建时间。
-
Artifacts管理:重新设计了构建产物的上传和下载流程,利用GitHub提供的Artifacts存储替代Azure的对应功能。
迁移后的优势
完成迁移后,ONNX项目获得了以下改进:
- 更紧密的GitHub集成:所有开发活动都可以在GitHub界面中完成,无需切换平台查看CI结果。
- 更快的反馈循环:GitHub Actions的启动速度和执行效率更高,开发者可以更快获得构建反馈。
- 更简单的配置管理:CI配置与代码库直接关联,修改和版本控制更加直观。
- 更低的维护成本:减少了跨平台配置的复杂性,简化了权限管理和团队协作流程。
经验总结
这次迁移为ONNX项目团队积累了宝贵的经验:
-
渐进式迁移:采用分阶段迁移策略,先迁移非关键路径的CI任务,验证稳定后再迁移核心构建流程。
-
监控与比较:在过渡期同时运行两套系统,对比构建结果确保一致性。
-
文档更新:及时更新项目贡献指南,帮助新贡献者适应新的CI系统。
-
性能调优:针对GitHub Actions的特点优化构建脚本,如合理设置缓存键、拆分长耗时任务等。
ONNX项目的这次CI平台迁移实践,为其他考虑从Azure DevOps转向GitHub Actions的开源项目提供了有价值的参考。这种迁移不仅提升了开发体验,也为项目未来的扩展奠定了更灵活的基础。
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