一句话看懂：Meta 把内部跑了 9 年的资源分配求解器 Rebalancer 以 Apache 2.0 协议开源，它用 C++ 编写、提供 Python 接口，每天处理约 4000 万个“把对象放进箱子”的放置问题，并附带了调试 UI 和 PyPI 安装包。
事件核心：发生了什么
Meta AI 开源了 Rebalancer，一个用于求解分配问题（assignment problem）的 C++ 库，同时提供 Python 接口，已发布 v1.0.4，支持 Python 3.12+，Linux x86-64 和 macOS 14+ ARM64 有预编译 wheel，也可通过 .deb、.rpm 和 Homebrew 安装，PyPI 目前仍标注为 Alpha。它的设计思路是把“问题怎么描述”和“问题怎么求解”拆开：用户用规格语言定义维度、分区、作用域和利用率，编译器将其转成有向无环表达式图，再交给两条求解路径——小规模问题转成混合整数规划，调用 FICO Xpress、Gurobi 或 HiGHS；大规模问题直接在图做并行局部搜索。据 Meta 工程博客，Rebalancer 已在内部运行超过 9 年，覆盖 30 多种问题形式，每天约 4000 万次求解，P99 时延 12 秒（26.5 万对象、3200 个箱子），百万级对象、5000 个箱子的难题平均耗时 171 秒。
为什么重要
分配问题在超大规模基础设施里几乎无处不在：机架进数据中心、服务器分配给服务、任务落到具体机器、用户流量调度到区域。这类问题很多是 NP-hard，商业求解器在 Meta 的规模下往往跑不动。Rebalancer 的价值在于它把一套经过生产验证的工程方案公开出来，尤其是“表达式图 + 局部搜索”的路线，和传统 MIP 求解器形成互补。开源之后，它直接对标 Google OR-Tools 和 Timefold Solver：OR-Tools 覆盖面更广（CP-SAT、路由、装箱等），Timefold 以 Java 生态和规划类问题见长，而 Rebalancer 聚焦通用分配场景，并罕见地提供了调试 UI Rebalancer Explorer，用来查看约束绑定、松弛效果和对象落位原因。目前公开信息显示，这类带生产级调试工具的开源求解器并不多见。
对用户/开发者/创作者的影响
对开发者来说，最直接的变化是 pip install rebalancer 就能在 Python 项目里试用，适合把分片、容器、任务放到集群，或在 CPU、内存约束下做区域流量调度。对做调度、排班、资源映射的团队，它提供了一个可参考的实现范式：先用 MIP 做小规模原型，再切到局部搜索处理大规模实例。对企业采购而言，Apache 2.0 协议降低了合规顾虑，但 Alpha 状态意味着生产使用前需要评估稳定性。对普通用户和创作者，这类工具不直接可见，但它支撑的是 Meta 内部 Shard Manager、RAS、Taiji 等系统的稳定性，间接影响服务可用性和成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 PyPI 上的 Alpha 标签何时转为稳定版，API 是否会有破坏性变更；二是社区会不会围绕表达式图和 Rebalancer Explorer 形成生态，比如补更多求解后端或语言绑定；三是 Google OR-Tools、Timefold 等竞品是否会在分配场景和调试体验上跟进。这些将决定 Rebalancer 是停留在 Meta 内部经验的公开存档，还是成为开发者真正会用的通用求解器。
