Terraform AWS GitHub Runner 1.9.0版本发布:增强安全性与灵活性
Terraform AWS GitHub Runner是一个开源项目,它通过Terraform模块在AWS上部署自托管的GitHub Actions运行器。这个项目使开发者能够轻松地在AWS基础设施上运行GitHub Actions工作流,同时提供高度可配置的选项来满足不同规模团队的需求。
核心功能增强
1.9.0版本带来了几项重要的功能改进,显著提升了项目的安全性和灵活性。
API网关访问日志支持
新版本增加了为API网关启用访问日志的功能选项。这一改进使得管理员能够更好地监控和审计通过API网关的所有请求,为安全团队提供了更全面的可见性。访问日志记录了包括请求时间、客户端IP、请求路径等关键信息,对于故障排查和安全分析都极为重要。
SQS队列静态数据加密
默认情况下,现在所有存储在SQS队列中的数据都会进行静态加密。这一安全增强确保了敏感信息(如GitHub webhook负载)在传输和存储过程中都受到保护。项目采用了AWS KMS服务进行加密,符合企业级安全标准。
运行器配置优化
Windows镜像构建支持
在构建Windows镜像时,现在可以指定实例类型参数。这一改进使得用户能够根据实际需求选择更合适的EC2实例类型来构建镜像,特别是对于需要更高性能或特定硬件配置的场景。
Windows Server 2022默认支持
项目已将默认的Windows AMI更新为Server 2022版本。这一变更确保了用户能够获得最新的Windows功能和安全性更新,同时保持与GitHub Actions的最佳兼容性。
技术实现细节
运行器环境标签获取优化
新版本改进了运行器实例环境标签的获取方式,现在通过EC2实例元数据服务来获取这些信息。这一变更提高了系统的可靠性,减少了对外部API的依赖,使得标签管理更加高效和稳定。
用户数据脚本增强
s3_location_runner_distribution变量现在可以作为可扩展参数传递给用户数据脚本。这一改进为高级用户提供了更大的灵活性,使他们能够自定义运行器二进制文件的存储位置和分发方式。
总结
Terraform AWS GitHub Runner 1.9.0版本通过多项功能增强和安全改进,进一步巩固了其作为企业级GitHub Actions自托管解决方案的地位。从API网关日志到数据加密,再到Windows支持优化,这些改进都体现了项目团队对安全性和用户体验的持续关注。对于已经在使用或考虑部署自托管GitHub运行器的团队来说,升级到这个版本将带来更安全、更灵活的运行环境。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00