Icecream 项目技术文档
本文档旨在帮助用户安装、使用和理解 Icecream 项目,详细介绍其功能、配置和操作步骤。
1. 安装指南
推荐安装方式
我们建议您使用发行版维护的软件包,如果可能的话。您的发行版应该提供定制的启动脚本,使 Icecream 更好地适应系统的配置。
我们强烈建议您与 Icecream 一起安装 icemon 或 icecream-sundae。
源代码安装
如果您想从源代码安装,请参考源代码包中提供的 README 文件中的说明。
2. 项目的使用说明
要使用 Icecream,您需要以下配置:
- 至少一个运行调度器的机器(运行
./icecc-scheduler -d) - 许多运行守护进程的机器(运行
./iceccd -d)
可以在一个机器上同时运行调度器和守护进程,在另一个机器上只运行守护进程,从而形成一个由两个节点组成的编译集群。
如果您想使用 Icecream 编译,请确保 $prefix/lib/icecc/bin 是您的路径中的第一个条目,例如:
export PATH=/usr/lib/icecc/bin:$PATH
(提示:将此命令放入 ~/.bashrc 或 /etc/profile 中,这样每次都不必重新输入。)
然后,您只需使用 make -j <num> 命令编译,其中 <num> 是您想要并行编译的作业数。
作为一个起点,可以使用逻辑处理器的数量乘以 2,或者如果您的编译集群可以处理所有编译作业,可以设置一个更大的数字。但请注意,过大的数字实际上可能会使构建速度变慢(例如,如果本地机器一次处理的作业比它能处理的更多)。
以下是一个示例:
make -j6
警告: 不要在不受信任的环境中使用 Icecream。如果您必须在这样的网络中使用,请以未特权用户身份运行守护进程和调度器!但您将不得不依赖同质网络(请参阅下文)。
如果您想查看您的 Icecream 编译集群概览,或者只是想获取一些有趣的统计信息,您可能想运行 "icemon"(来自单独的仓库/包)。
使编译集群持久化
如果您重新启动计算机,您仍然希望它在重启后仍然是 Icecream 集群的一部分。请参考您的发行版的文档。如果您使用的是发行版提供的软件包,这应该是自动的(或者是一个简单的配置更改)。
使调度器持久化
通过为守护进程添加 --scheduler-host 选项和为调度器添加 --persistent-client-connection 选项,即使有更好的调度器可用,客户端连接也不会从调度器断开。
3. 项目API使用文档
Icecream 的 API 使用相对简单,主要是通过环境变量和命令行选项进行配置和使用。以下是一些基本的使用示例:
- 设置编译环境:
ICECC_VERSION=icecc-environment.tar.bz2
- 使用 Icecream 编译:
make -j <num>
- 查看编译集群状态:
icemon
更多详细的使用方法和选项,请参考官方文档。
4. 项目安装方式
通过发行版仓库安装
我们建议您从发行版的软件仓库中安装 Icecream,这样会自动处理所有依赖和配置。
从源代码安装
如果您选择从源代码安装,请按照以下步骤操作:
- 获取源代码包。
- 解压缩源代码包。
- 进入源代码目录。
- 编译和安装:
./configure
make
make install
确保在编译时正确设置 PREFIX,以便 Icecream 安装到正确的位置。
以上是 Icecream 项目的基本技术文档。使用前,请确保仔细阅读并遵循上述指南。如果您遇到任何问题,请参考故障排除部分或访问项目的官方支持渠道。
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