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。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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