DirectXShaderCompiler 对 SPIR-V KHR_compute_shader_derivatives 扩展的支持分析
在图形编程领域,计算着色器(Compute Shader)的导数功能是一个重要的特性,它允许开发者在计算着色器中使用导数相关的内置函数。微软的DirectXShaderCompiler(DXC)项目作为HLSL到SPIR-V的编译器,近期对其支持的导数扩展进行了重要更新。
目前DXC编译器在SPIR-V后端实现中存在一个关键问题:它默认使用的是NVIDIA提供的SPV_NV_compute_shader_derivatives扩展,而非Khronos Group标准化的SPV_KHR_compute_shader_derivatives扩展。这两个扩展在功能上是完全相同的,但使用NV扩展会导致代码无法在仅支持KHR扩展的GPU设备上运行。
这个问题源于编译器在生成SPIR-V代码时,会显式地添加OpExtension "SPV_NV_compute_shader_derivatives"指令。虽然功能相同,但这种硬编码方式限制了代码的兼容性。理想情况下,编译器应该优先使用标准的KHR扩展,就像它在处理光线查询(Ray Query)功能时所做的那样——同时支持NVIDIA和Khronos的扩展,但默认使用标准扩展。
这个问题的解决方案相对简单直接,只需要修改编译器代码,将默认的扩展声明从NV变更为KHR版本。这种变更不会影响功能实现,但能显著提高生成代码的跨平台兼容性。考虑到现代图形API如Vulkan的跨平台特性,支持标准扩展而非厂商特定扩展是一个更合理的选择。
对于开发者而言,这个改进意味着他们编写的HLSL着色器代码可以更广泛地运行在不同厂商的GPU硬件上,而不需要担心导数功能的兼容性问题。这也符合图形编程社区向标准化、跨平台解决方案发展的趋势。
从技术实现角度看,这个变更主要涉及:
- 修改编译器识别和声明扩展的方式
- 更新相关的扩展名称常量
- 确保测试用例覆盖新的扩展行为
这种改进虽然看似微小,但对于提升DXC编译器作为跨平台HLSL编译解决方案的成熟度和可靠性具有重要意义。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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