Apache Yetus 技术文档
1. 安装指南
Apache Yetus 提供了两种安装方式:Docker 容器和直接在操作系统上安装。
Docker 容器安装
-
运行以下命令启动包含所有项目依赖项的 Docker 容器,并创建一个工作的构建环境:
./start-build-env.sh -
在容器内构建项目:
mvn clean install
直接在操作系统上安装
-
确保安装了 Maven。
-
运行以下命令构建项目:
mvn clean install -
若要构建并签署内容,请运行:
mvn clean install -Papache-release -
若在操作系统外部构建,并且需要通知系统使用
gpg2而不是gpg,请运行:mvn clean install -Papache-release -Pgpg2 -
若要构建但跳过签署,请运行:
mvn clean install -Papache-release -Dgpg.sign=skip
构建完成后,构件将位于 yetus-dist/target/artifacts 或准备进行 mvn deploy。
2. 项目使用说明
Apache Yetus 是一组库和工具的集合,用于支持软件项目的贡献和发布过程。以下是其主要组件:
-
Website source: 持有项目文档,并通过项目网站展示。
-
Precommit: 提供用于处理贡献的强大工具,包括从各种项目源应用补丁,并通过插件系统评估它们是否符合项目规范。查看 precommit 概述 以开始使用 precommit。
-
Audience Annotations: 允许项目使用 Java 注解来区分 API 的公共和非公共部分。它还提供了 doclets 来生成按目标受众筛选的 javadocs。目前支持 Maven 3.2.0+。
-
Shelldocs: 处理 Bash 函数上的注释,提供类似于 Javadoc 的注解。还包括类似于 Audience Annotations doclet 的内置受众范围功能。
-
Release Doc Maker: 分析 Jira 和 Git 信息以生成 Markdown 格式的发行说明。
-
yetus-maven-plugin: 构建一个 maven 插件,提供一些不常见的 maven 要求(如符号链接)的实用工具,以及 Apache Yetus 功能的一些 maven 化版本。
3. 项目API使用文档
Apache Yetus 的各个组件提供了丰富的 API,以下是一些使用示例:
- Precommit: 通过插件系统与项目的贡献过程集成。
- Audience Annotations: 使用 Java 注解来标注 API 的可见性。
- Shelldocs: 使用 Bash 函数注释生成文档。
- Release Doc Maker: 通过分析 Jira 和 Git 数据生成发行说明。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细说明,支持 Docker 容器和直接在操作系统上安装。请根据实际需求选择合适的安装方式。
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