Godot引擎中TypedArray在Dictionary中的引用问题解析
在Godot引擎的C++扩展开发中,开发者TokisanGames发现了一个关于TypedArray在Dictionary中存储时的引用行为问题。这个问题影响了4.2.2稳定版中的gdextension开发体验,特别是在处理大量数据时性能表现不佳。
问题现象
当开发者尝试将TypedArray存储在Dictionary中时,发现从Dictionary中取出的TypedArray实际上是原数组的一个副本,而非引用。这意味着对取出的数组进行修改不会影响原始存储在Dictionary中的数组。
通过测试代码可以清晰地观察到这一现象:
- 创建一个TypedArray并存入Dictionary
- 修改原始数组
- 从Dictionary取出数组并修改
- 原始数组保持不变
相比之下,普通Array和Ref类型在Dictionary中则表现正常,保持了引用语义。
技术分析
这个问题本质上与TypedArray的构造函数行为有关。在当前的godot-cpp实现中,TypedArray从Dictionary中取出时会触发一个拷贝构造函数,导致创建新副本而非保持引用。
值得注意的是,这个问题仅出现在gdextension中,在GDScript中测试TypedArray在Dictionary中的行为是正常的,保持了引用语义。这表明这是一个特定于C++绑定的实现问题。
解决方案
目前已经有一个相关的PR(#1483)修复了这个问题。测试表明该修复确实解决了TypedArray在Dictionary中的引用问题。对于暂时无法升级的用户,可以考虑以下临时解决方案:
- 使用std::map替代Dictionary进行中间处理
- 仅在最终存储时转换为Godot Dictionary
- 对于性能敏感场景,避免频繁存取TypedArray
性能影响
这个问题对性能影响显著。在修复前,处理23万实例需要较长时间;修复后仅需0.34秒,性能提升约1700倍。这充分说明了引用语义在数据处理中的重要性。
总结
TypedArray在Dictionary中的引用问题是Godot引擎C++扩展开发中需要注意的一个细节。开发者应当了解不同容器类型在传递时的行为差异,特别是在性能敏感的场景下。随着相关修复的合并,这个问题将在未来的版本中得到解决。
对于当前版本的用户,建议采用替代方案或等待稳定版更新。同时,这也提醒我们在使用引擎扩展功能时,应当充分测试核心数据结构的语义行为,以确保性能符合预期。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00