Apache Fury项目中的JPMS模块化支持实践
引言
随着Java平台模块系统(JPMS)的普及,越来越多的Java项目开始考虑模块化支持。Apache Fury作为一个高性能的序列化框架,近期也面临了如何优雅支持JPMS的需求。本文将深入探讨Fury项目在模块化支持方面的技术决策和实践经验。
JPMS模块化的重要性
Java平台模块系统(JPMS)自Java 9引入以来,为Java应用程序带来了更好的封装性、可靠性和性能。模块化能够明确声明模块间的依赖关系,避免隐式依赖带来的问题,同时为构建更精简的运行时环境提供了可能。
对于像Apache Fury这样的基础库来说,支持JPMS不仅能够消除构建时的警告信息,更重要的是为使用Fury的模块化应用程序提供更好的兼容性和可维护性。
Fury的模块化方案选择
在技术实现上,Fury项目面临两个主要选择:
-
自动模块方案:通过在MANIFEST.MF中添加Automatic-Module-Name条目,这是最轻量级的解决方案,不会影响现有构建流程,且完全向后兼容。
-
完整模块化方案:提供完整的module-info.java描述符,这需要更复杂的构建配置,但能提供完全的模块化支持。
考虑到Fury目前仍需要支持Java 8用户,且部分依赖库(如Guava)尚未完全支持JPMS,项目团队决定首先采用自动模块方案作为过渡。
模块命名规范
在确定模块名称时,Fury采用了简洁直观的命名方式:
- 核心模块:org.apache.fury.core
- 格式模块:org.apache.fury.format
这种命名方式既保持了与Maven坐标的对应关系,又符合Java模块命名的惯例,便于开发者理解和记忆。
完整模块化的技术挑战
虽然自动模块方案解决了当前的兼容性问题,但未来要实现完整模块化支持仍面临几个技术挑战:
-
多版本构建:需要支持同时构建Java 8和Java 9+版本,可以采用以下两种方式:
- 双编译阶段:先编译module-info.java到Java 9,再编译其余代码到Java 8
- 多版本JAR:将module-info.java放在META-INF/versions/9目录下
-
依赖兼容性:部分关键依赖(如Guava)尚未提供完整的模块支持,这限制了Fury完全模块化的进程。
-
测试策略调整:完整模块化后,某些测试可能需要移到集成测试阶段执行,以确保模块声明(如uses和provides)的正确性。
实践经验分享
从技术实现角度看,双编译阶段方案具有以下优势:
- IDE支持良好,开发体验流畅
- module-info.java可以与业务代码放在一起
- 构建配置相对简单
而多版本JAR方案虽然更符合标准,但会带来IDE支持不足和测试流程复杂化的问题。
未来展望
随着Java生态系统的演进,完整模块化支持将成为Apache Fury项目的必然选择。项目团队需要密切关注关键依赖的模块化进展,并适时推进完整模块化工作。同时,保持对Java 8的支持仍将是项目的重要考量因素。
对于其他面临类似问题的Java项目,Fury的经验表明:从自动模块开始,逐步向完整模块化过渡是一个务实可行的技术路线。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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