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。
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