CPython项目中关于setuptools和wheel依赖的优化与更新
在Python生态系统中,setuptools和wheel是两个至关重要的包管理工具。随着Python核心开发团队对CPython项目的持续维护,近期对测试套件中的这两个工具的依赖关系进行了重要调整。
背景与问题
在CPython的测试套件中,test.wheeldata目录一直包含捆绑的setuptools和wheel轮子文件,用于构建测试包。然而,随着setuptools 0.70.1及以上版本的发布,bdist_wheel方法已被原生集成到setuptools中,这意味着不再需要单独安装wheel库来构建轮子文件。
同时,wheel 0.46.0及以上版本移除了对packaging库的捆绑依赖,这使得当前版本的wheel在没有安装packaging的情况下无法正常使用。这种情况给测试环境带来了额外的复杂性。
解决方案
CPython开发团队决定采取以下措施:
- 更新test.wheeldata中的setuptools版本至最新稳定版
- 完全移除不再需要的wheel.whl文件
- 确保测试套件能够适应这些变更
这一变更不仅简化了测试依赖关系,还减少了仓库中不必要的二进制文件,优化了存储空间。
实施过程中的挑战
在实际实施过程中,开发团队遇到了一些意料之外的问题:
-
测试失败:test_cppext测试用例开始失败,报出"NameError: name 'sys' is not defined"错误。经调查发现,这是由于测试脚本中缺少必要的sys模块导入,而新版本的setuptools更严格地执行了模块导入检查。
-
弃用警告:
- 出现了"DeprecationWarning: Use shutil.which instead of find_executable"警告,提示需要更新代码以使用更现代的shutil.which方法
- 还有"DeprecationWarning: dep_util is Deprecated"警告,表明某些已弃用的功能仍在被使用
这些问题都被及时修复,确保了测试套件的稳定性和兼容性。
技术影响与意义
这次变更具有多重意义:
- 依赖简化:减少了不必要的依赖,使测试环境更加简洁
- 性能优化:减少了需要维护和更新的二进制文件数量
- 现代化:推动代码库使用最新的API和最佳实践
- 维护性提升:为未来可能的进一步依赖优化奠定了基础
对于Python开发者而言,这一变更也传递了一个重要信息:随着Python打包生态系统的成熟,许多传统的工作流程正在被简化和优化。
结论
CPython项目对setuptools和wheel依赖关系的这次调整,展示了开源项目持续演进和优化的过程。通过定期评估和更新依赖关系,项目能够保持代码的简洁性和现代性,同时为开发者提供更高效的开发体验。
这一变更也提醒我们,在Python生态系统中,工具链的不断演进可能会带来工作流程的简化,但也需要开发者保持对最新变化的关注,及时调整自己的开发实践。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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