RISC-V GNU工具链中禁用硬件除法指令的配置方法
背景介绍
在RISC-V架构的嵌入式开发中,某些低端芯片可能不支持硬件除法指令。当使用RISC-V GNU工具链(特别是裸机/Newlib版本)进行开发时,编译器默认可能会生成硬件除法指令(div/divu),这会导致在不支持这些指令的芯片上运行时出现非法指令异常。
问题现象
开发者在使用RISC-V GNU工具链时发现,即使编译时添加了-mno-div和-mno-fdiv选项,最终生成的二进制文件中仍然出现了硬件除法指令。这种情况通常发生在使用标准库函数(如math.h中的sqrt())时,因为这些库函数在编译时可能没有应用相同的编译选项。
解决方案
要彻底消除二进制文件中的硬件除法指令,需要从两个层面进行配置:
1. 工具链构建时的配置
在构建RISC-V GNU工具链时,需要确保Newlib标准库也使用相同的编译选项。这可以通过在构建时设置以下环境变量来实现:
make CFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv" \
CXXFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv" \
ASFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv"
重要提示:选项的正确写法是-mno-div而不是-mno=div,后者会导致编译错误。
2. 应用程序编译时的配置
在开发自己的应用程序时,也需要在编译命令中添加相同的选项:
riscv32-unknown-elf-gcc -mno-div -mno-fdiv your_code.c -o your_program
注意事项
-
彻底清理:在重新构建工具链前,建议执行
make distclean彻底清理之前的构建结果,避免残留的中间文件影响新配置的效果。 -
标准库影响:特别注意数学函数库(math.h)等标准库函数,这些函数的实现可能包含除法操作,必须确保它们也是在不使用硬件除法指令的情况下编译的。
-
性能考量:禁用硬件除法指令后,除法操作将通过软件模拟实现,这会带来一定的性能开销。在性能敏感的应用中需要权衡考虑。
验证方法
构建完成后,可以通过以下方法验证配置是否生效:
- 使用objdump工具反汇编生成的二进制文件
- 搜索是否存在div/divu指令
- 特别注意标准库函数中的指令生成情况
总结
通过正确配置RISC-V GNU工具链的构建选项和应用程序的编译选项,可以确保生成的代码完全不依赖硬件除法指令。这对于在不支持硬件除法的RISC-V芯片上开发至关重要。开发者需要特别注意标准库的编译选项,并确保整个工具链构建过程的彻底性。
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