Tsuru 项目技术文档
1. 安装指南
获取 tsuru-client
请从以下链接下载与您的操作系统相匹配的最新版本:tsuru-client releases
以下是为 OS X 系统下载版本 1.1.1 的示例:
$ curl -sSL https://github.com/tsuru/tsuru-client/releases/download/1.1.1/tsuru-1.1.1-darwin_amd64.tar.gz | tar xz
安装说明
2. 项目的使用说明
在 Kubernetes 集群上成功运行 tsuru 后,您可以通过调用 app list 命令来查看 tsuru 是否正常工作。此命令应返回一个名为 tsuru-dashboard 的应用。
$ tsuru app list
3. 项目API使用文档
Tsuru 提供了一个命令行工具,名为 tsuru,允许您与 Tsuru API 进行交互。在使用前,请确保已按照安装指南正确安装了 Tsuru Client。
以下是一些基本的命令示例:
- 列出应用:
tsuru app list - 登录:
tsuru login admin@admin.com# 密码:admin@123 - 列出集群:
tsuru cluster list
4. 项目安装方式
本地开发环境
依赖项
在开始之前,请确保已安装以下工具:
您还需要安装 Tsuru Client 以与 Tsuru API 进行交互。如果尚未安装,请执行安装。
对于 macOS 用户:我们建议使用带有 socket_vmnet 的 qemu 驱动程序来运行 Minikube 集群。 有关安装 qemu 和 socket_vmnet 的更多信息,请参考以下链接:
注意:如果您使用的是 Docker 兼容的替代品,如 Podman,请在运行 make 命令时指定 DOCKER 变量与正确的二进制文件。例如:make local.run DOCKER=podman。
运行本地环境
要本地运行 Tsuru API,您需要先设置本地环境。这个设置过程非常重要,因为它会创建默认的配置文件,初始化所需的依赖项,并准备您的本地系统以托管 Tsuru API。以下命令将处理所有这些任务:
make local.setup
一旦设置完成,除非您想要重置环境,否则无需再次运行此命令。
初始设置完成后,您可以使用以下命令启动 Tsuru API 及其依赖项:
make local.run
Tsuru API 运行后,打开一个新的终端窗口并配置 Tsuru CLI,使其指向 local-dev 目标。此目标会告诉 CLI 与您的本地 Tsuru API 实例而不是远程服务器进行交互。您可以使用以下命令设置目标:
tsuru target-set local-dev
Tsuru 的目标与 Kubernetes 的 kubectl 配置上下文类似,允许您轻松地在不同环境之间切换。
要确认一切都设置正确,您可以登录并列出由您的 Tsuru API 实例管理的集群:
tsuru login admin@admin.com # 密码: admin@123
tsuru cluster list
如果一切正常,您应该会看到本地 Minikube 集群被列为默认的提供程序。
清理
完成本地环境的操作后,停止服务以释放系统资源非常重要。您可以使用以下命令停止依赖项:
make local.stop
如果您想要完全重置环境,或者不再需要在您的计算机上运行 Tsuru API 及其依赖项,您可以使用以下命令删除所有相关资源:
make local.cleanup
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