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。
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