ONNX项目应对ONNX Runtime 1.20版本兼容性问题的技术方案
ONNX Runtime 1.20版本发布后,由于其对Python版本支持的调整,导致ONNX项目中的部分CI/CD流水线出现阻塞问题。本文将详细介绍这一兼容性问题的背景、影响范围以及ONNX项目团队采取的解决方案。
问题背景
ONNX Runtime作为ONNX模型的高性能推理引擎,在1.20版本中做出了一个重要变更:停止对Python 3.8和Python 3.9的支持。这一决策是为了与NumPy项目的Python版本支持策略保持一致。对于仍需要使用Python 3.8和3.9的用户,官方建议继续使用1.19.2及更早版本的ONNX Runtime。
影响分析
这一变更直接影响了ONNX项目的持续集成环境,特别是那些基于Python 3.8和3.9的测试流水线。由于ONNX项目需要确保与不同版本ONNX Runtime的兼容性,这种上游依赖的版本策略变更必须得到及时响应和处理。
解决方案
ONNX项目团队采取了以下技术措施来解决这一问题:
-
版本锁定策略:在CI/CD配置中明确指定使用ONNX Runtime 1.19.2版本,确保测试环境稳定。
-
Python版本支持调整:考虑逐步减少对Python 3.8的支持,特别是在ONNX 1.18版本中。这一决策基于对用户群体和使用场景的评估,以及对维护成本的考量。
-
持续集成环境优化:重新配置测试矩阵,确保不同Python版本与对应ONNX Runtime版本的兼容性组合得到充分测试。
技术建议
对于使用ONNX生态系统的开发者,我们建议:
-
如果项目仍在使用Python 3.8或3.9,应明确指定使用ONNX Runtime 1.19.2或更早版本。
-
考虑升级Python环境到3.10或更高版本,以获得更好的兼容性和性能支持。
-
在依赖管理文件中明确指定ONNX Runtime的版本范围,避免自动升级到不兼容的版本。
未来规划
ONNX项目将持续关注上游依赖的版本策略变化,并建立更完善的兼容性测试机制。同时,项目团队将评估对较旧Python版本的支持策略,在确保稳定性的前提下,逐步推进技术栈的现代化。
通过这次事件,ONNX项目也验证了其应对上游依赖变更的快速响应能力,为后续类似问题的处理积累了宝贵经验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C095
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00