Qakka 技术文档
1. 安装指南
系统要求
在单个区域或数据中心中运行 Qakka 的最低要求如下:
- 运行 Java 8 和 Apache Tomcat 7 或 8 的一个或多个计算机
- 运行 Cassandra 2.1.x 版本的 Apache Cassandra 集群
安装步骤
-
安装 Java 8:确保每个计算机都安装了 Java 8。
-
安装 Tomcat 7 或 8:在每台计算机上安装 Apache Tomcat 7 或 8。
-
部署 Qakka WAR 文件:将 Qakka 的 WAR 文件放置在 Tomcat 的
webapps目录下。 -
配置 qakka.properties:在 Tomcat 的
lib目录下创建一个qakka.properties文件,用于配置 Qakka、Cassandra 连接和 Usergrid 集群。参考配置文件:qakka.properties
-
安装 Cassandra 2.1.x:在每台计算机上安装 Cassandra 2.1.x。
-
验证集群状态:确保 Cassandra 集群正常工作。
2. 项目的使用说明
Qakka 是 Apache Usergrid 中内置的分布式和多区域队列系统的独立版本。它是一个 Java Web 应用程序,结合了 Usergrid Actor System 和 Queue 模块以及基于 Jersey JAX-RS 的 REST API。
功能
- 支持多个命名队列
- 分布式和多区域
- 队列消息可以发送到多个区域
- 队列读取始终从本地区域进行
- 未确认的队列消息超时
- 无模式队列消息负载,支持 JSON 或 BLOB 格式的任何内容类型
- 支持 REST 和 Java API
3. 项目 API 使用文档
Qakka 提供了 REST API 用于与队列服务交互。目前,我们还没有关于 Qakka REST API 使用的示例,但提供了 Swagger 生成的文档:
4. 项目安装方式
Qakka 尚未公开发布,如果您想使用它,需要自行编译。以下是编译 Qakka 的步骤:
- 确保安装了 Java 8 JDK 和 Maven 3。
- 如果要运行 JUnit 测试,还需要安装 Cassandra 2.1.x。
-
编译 Usergrid "Stack":
- 克隆 Apache Usergrid 仓库,并在
/stack目录下运行mvn -DskipTests=true install。 - 这将把 Usergrid jar 文件放入本地 Maven 仓库,以便 Qakka 可以找到它们。
- 克隆 Apache Usergrid 仓库,并在
-
编译 Qakka:
- 克隆 Apache Usergrid Qakka 仓库,并在 Qakka 的目录下运行
mvn -DskipTests=true install。
- 克隆 Apache Usergrid Qakka 仓库,并在 Qakka 的目录下运行
如果想要运行 Qakka 的 JUnit 测试,需要确保 Cassandra 2.1.x 在本地计算机上运行(默认设置,例如端口 9160),然后可以使用 mvn test 命令运行测试。Qakka 的测试只针对 REST API;Usergrid 队列模块中有更多的 Qakka 测试。
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-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