Gradle项目中的DefaultArtifactPublicationSet回归问题分析
问题背景
在Gradle 8.14-rc-1版本中,出现了一个关于DefaultArtifactPublicationSet的回归问题。这个问题主要影响了那些通过插件配置Jar任务并修改配置项输出artifact的项目。
问题现象
当开发者尝试在Java插件环境中配置bootJar任务,并将其作为artifact添加到apiElements和runtimeElements配置项时,Gradle会抛出IllegalArgumentException异常。异常发生在DefaultArtifactPublicationSet内部计算artifact值时,因为defaultArtifacts被意外重置。
技术细节
这个问题的核心在于DefaultArtifactPublicationSet类中处理artifact的方式发生了变化。在Gradle 8.14-rc-1中,当尝试计算artifact值时,系统发现defaultArtifacts已经被重置,导致无法正确获取artifact信息。
问题的触发场景通常出现在以下情况:
- 项目应用了Java插件
- 插件尝试配置bootJar任务
- 将bootJar任务作为artifact添加到配置项的输出中
简化重现案例
为了更清楚地理解这个问题,我们可以看一个简化的重现案例:
plugins {
id("base")
}
def jar = tasks.register("jar", Jar)
def apiElements = configurations.create("apiElements") {
outgoing.artifact(jar)
}
def bootJar = tasks.register("bootJar", Jar)
configurations.create("bootArchives") {
outgoing.artifact(bootJar)
}
bootJar.configure {
apiElements.outgoing.artifact(bootJar)
}
这个简化案例清晰地展示了问题发生的条件:当我们在任务配置阶段尝试修改已存在的配置项的artifact时,就会出现问题。
影响范围
这个问题主要影响:
- 使用Gradle 8.14-rc-1版本的项目
- 自定义插件中需要修改配置项artifact的项目
- 特别是那些基于Spring Boot的项目,因为它们通常会配置bootJar任务
解决方案
Gradle团队已经通过PR #33102修复了这个问题。对于遇到此问题的开发者,建议:
- 升级到修复后的Gradle版本
- 如果暂时无法升级,可以考虑回退到8.13版本
- 检查插件中所有修改配置项artifact的代码,确保它们不会在任务配置阶段执行
技术启示
这个问题提醒我们:
- 在Gradle插件开发中,修改配置项artifact时需要特别注意执行时机
- 升级Gradle版本时,应该充分测试artifact相关的配置
- 理解Gradle内部如何处理和缓存artifact信息对于编写健壮的插件非常重要
总结
Gradle 8.14-rc-1中出现的DefaultArtifactPublicationSet回归问题是一个典型的版本升级引入的兼容性问题。通过分析这个问题,我们不仅了解了具体的修复方案,更重要的是加深了对Gradle artifact处理机制的理解。这对于开发高质量的Gradle插件和构建脚本具有重要的指导意义。
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 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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