Celery 5.5.0rc5发布:分布式任务队列的重大更新
项目简介
Celery是一个强大的分布式任务队列系统,它基于Python开发,广泛应用于异步任务处理、定时任务调度等场景。作为Python生态中最受欢迎的任务队列解决方案之一,Celery支持多种消息代理和结果后端,能够帮助开发者轻松构建可扩展的分布式系统。
核心更新内容
1. RabbitMQ Quorum队列完整支持
本次版本最重要的改进之一是提供了对RabbitMQ Quorum队列的完整支持。Quorum队列是RabbitMQ 3.8.0引入的一种新型队列,提供了更强的数据安全性和一致性保证。
新版本实现了全新的ETA机制,专门针对Quorum队列进行了优化。开发者现在可以通过broker_native_delayed_delivery_queue_type配置选项来指定延迟交付的队列类型,从而充分利用Quorum队列的特性。
2. Google Pub/Sub传输支持
Celery 5.5.0rc5新增了对Google Pub/Sub作为消息传输层的支持。这一特性为使用Google Cloud Platform的开发者提供了更多选择,使得Celery能够更好地集成到GCP生态系统中。
3. Python 3.13兼容性增强
随着Python 3.13的临近,Celery团队已经完成了对核心依赖项(包括Kombu和py-amqp)的兼容性升级,确保用户能够顺利过渡到新版本的Python。
4. 优雅的软关机机制
新版本引入了一种介于热关机和冷关机之间的"软关机"机制。这一特性通过worker_soft_shutdown_timeout配置选项启用,允许工作节点在指定的时间内继续处理正在运行的任务,超时后才进入冷关机状态。
对于使用Redis或SQS等具有可见性超时机制的代理的用户,软关机机制能够更优雅地处理未完成的任务,通过重置未确认消息的可见性超时,确保任务不会丢失。
5. Pydantic模型支持
Celery现在原生支持Pydantic模型作为任务参数和返回值。这一改进使得类型检查和数据验证更加方便,特别是在构建类型安全的分布式系统时。
6. Redis代理稳定性提升
针对长期存在的Redis连接稳定性问题,团队已经找到并修复了根本原因。这一改进显著提高了使用Redis作为消息代理时的可靠性。
7. 信号处理改进
REMAP_SIGTERM特性现在被正式支持并完善了文档。这一功能允许用户将SIGTERM信号重新映射为SIGQUIT,从而使用TERM信号来启动软关机或冷关机流程。
其他重要改进
- 修复了Cassandra后端端口设置不生效的问题
- 优化了任务链中包含组任务时的处理逻辑
- 修正了Django集成中数据库连接关闭时的错误处理
- 改进了内存限制的计算方式(现在正确使用1024字节作为1KB)
- 修复了通过标记头撤销任务时的边界情况
- 改进了和弦任务中嵌套和弦的错误处理
升级建议
对于正在使用Celery的生产环境,建议先在测试环境中验证5.5.0rc5版本的兼容性。特别是使用以下特性的用户需要重点关注:
- 使用RabbitMQ Quorum队列的用户应测试新的ETA机制
- 计划迁移到Google Pub/Sub传输层的用户
- 需要更优雅关机机制的环境
- 使用Redis作为代理且曾遇到稳定性问题的部署
新版本带来了多项重要改进和稳定性提升,是值得考虑升级的版本。团队鼓励用户积极测试并提供反馈,以帮助完善即将发布的正式版。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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