Verilator覆盖率工具中LCov文件生成的优化方案
Verilator作为一款开源的硬件仿真和验证工具,其内置的代码覆盖率功能对于验证工程师至关重要。近期社区发现Verilator生成的LCov覆盖率文件存在信息丢失的问题,本文将深入分析该问题及其解决方案。
问题背景
在Verilator生成的LCov覆盖率文件中,分支覆盖率信息未能完整保留。LCov格式本身支持分支覆盖率的记录,但Verilator当前的实现未能充分利用这一特性,导致生成的覆盖率报告在某些情况下会出现信息缺失或显示不准确的问题。
技术分析
LCov文件格式包含多个记录类型,其中分支覆盖率信息通过以下方式记录:
- BRDA:记录分支数据
- BRH:记录分支命中次数
- BRNH:记录分支未命中次数
Verilator当前的覆盖率实现主要关注语句和条件覆盖,但对分支覆盖的支持不够完善。这导致在使用genhtml等工具生成可视化报告时,分支覆盖率显示不完整,影响验证工程师对代码覆盖情况的准确判断。
解决方案
优化方案主要涉及以下几个方面:
-
完善分支覆盖率记录:在VlcSource类中增加对分支覆盖率的完整记录,确保所有分支点都被正确标记和统计。
-
LCov文件生成优化:修改覆盖率数据输出逻辑,确保生成的.lcov文件包含完整的BRDA、BRH和BRNH记录。
-
构建系统适配:由于涉及核心覆盖率组件的修改,需要确保构建系统能正确识别相关源文件的变更并重新编译。
实现细节
在具体实现上,需要重点关注:
-
分支点识别:在Verilator的代码解析阶段,需要准确识别所有的分支点,包括if-else条件、case语句等。
-
覆盖率数据收集:在执行仿真时,需要记录每个分支的执行路径,包括命中次数和未命中情况。
-
数据输出格式:严格按照LCov规范输出分支覆盖率数据,确保与其他覆盖率分析工具的兼容性。
验证方法
为确保修改的正确性,可以采用以下验证手段:
-
单元测试:为修改后的覆盖率组件编写专门的单元测试用例。
-
回归测试:使用现有的测试套件验证修改是否影响原有功能。
-
可视化验证:通过genhtml、gcovr等工具检查生成的覆盖率报告是否完整显示分支覆盖率信息。
结语
通过本次优化,Verilator的覆盖率功能将更加完善,能够为验证工程师提供更全面、准确的代码覆盖信息。这不仅有助于提高验证质量,也能更好地支持复杂设计的验证工作。该改进已经合并到主分支,用户可以通过更新到最新版本获得这一功能增强。
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-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