PaddlePaddle/FastDeploy · 标签视图

重构多模态处理器，抽取编码策略类并统一处理流程，减少重复代码。

该 PR 值得精读，特别是了解组合模式设计（Encoding 策略与 MultiModalProcessor 解耦）和配置驱动机制（MMModelConfig 注册表）。关注关键文件如 `multimodal_processor.py` 和 `encodings/` 目录，以及 review 中讨论的资源泄漏和边界 token 处理决策。

修复 ErnieX1 工具调用解析器在流式场景中的空参数判断和结束标记处理问题。

建议精读此 PR，关注其如何通过精确的类型判断（None vs. 真值）和流式结束处理（使用 `rindex` 而非固定字符串）解决边界条件问题，可作为处理类似解析场景的参考设计。

为OpenAI协议FunctionDefinition添加strict字段，支持严格模式函数调用。

该PR变更简单直接，主要价值在于对齐OpenAI API规范。建议关注两个设计决策：1) 使用Optional[bool] = None而非bool = False来避免不必要的序列化字段。2) 保持与JsonSchemaResponseFormat.strict字段的一致性。对于理解FastDeploy的OpenAI协议扩展机制有参考价值。

修复多模态哈希函数因未编码数组元数据导致的缓存键碰撞风险。

该PR值得精读，展示了如何通过简单而有效的编码方案解决哈希碰撞问题。关注点：1) shape和dtype头部格式的设计（使用“|”分隔符）确保了唯一性和可解析性。2) 测试用例的设计体现了对问题本质的理解（形状和数据类型敏感性）。3) review中提到的缓存失效处理是实际部署时需注意的要点。

修复流式解码结束时未解码令牌丢失问题，简化逻辑并添加单元测试。

该 PR 值得精读，特别是关注 `_decode_token` 中 force decode 逻辑的简化设计，以及单元测试如何模拟增量解码和边界条件，可作为解码模块改进的参考案例。

通过引入enable_mm_runtime属性，支持多模态模型以纯文本模式部署，提升QPS。

该PR值得精读，因为它展示了如何通过配置分离模型能力与运行时状态的设计模式，适用于类似优化场景。建议关注FDConfig中计算属性的封装、postprocess中的动态调整逻辑，以及跨模块一致性更改的策略，这些设计决策对系统架构优化有参考价值。

统一多模态图像处理器目录，新增MultiModalProcessor作为统一入口。

建议精读以了解多模态处理器的统一设计，重点关注MultiModalProcessor的分发逻辑和兼容性处理。注意review中讨论的bug（如多图处理）和类型标注问题，在后续开发中避免类似错误，并考虑补充缺失的测试覆盖。

删除ENABLE_V1_DATA_PROCESSOR环境变量及相关代码，统一数据处理路径。

该PR值得精读，特别是对于涉及数据处理、引擎通信和测试维护的工程师。关注点包括：`fastdeploy/input/preprocess.py`中处理器选择逻辑的变化、`fastdeploy/inter_communicator/zmq_server.py`中序列化路径的统一方式，以及测试文件如何适配移除v1代码的策略。这些设计决策展示了如何安全地淘汰旧子系统并保持系统一致性。