UTM虚拟机中运行x86二进制程序的解决方案
问题背景
在苹果M系列芯片的Mac电脑上使用UTM虚拟机运行Ubuntu 22.04 ARM64系统时,用户可能会遇到无法执行x86架构二进制程序的问题。典型错误提示为"x86_64-binfmt-P: Could not open '/lib64/ld-linux-x86-64.so.2': No such file or directory"。
问题分析
这个问题的根源在于ARM架构和x86架构的差异。M系列芯片采用ARM架构,而许多传统Linux程序是为x86架构编译的。当在ARM系统上尝试运行x86程序时,系统需要特殊的兼容层来转换指令集。
解决方案
1. 安装Rosetta兼容层
首先确保UTM虚拟机已正确配置Rosetta支持。Rosetta是苹果提供的x86到ARM指令转换技术,在UTM中需要特别启用。
2. 安装x86兼容库
在Ubuntu ARM64系统中执行以下命令:
sudo dpkg --add-architecture amd64
sudo apt update
sudo apt install libc6:amd64
这些命令将:
- 添加amd64架构支持
- 更新软件包列表
- 安装x86架构的基础C库
3. 配置binfmt支持
系统需要正确配置二进制格式识别,以便知道如何处理x86可执行文件。现代Ubuntu通常已包含必要的binfmt支持,但如有需要可以安装:
sudo apt install binfmt-support
进阶建议
-
性能考虑:虽然Rosetta提供了兼容性,但x86程序在ARM上的运行效率可能不如原生ARM程序。建议尽可能寻找ARM原生版本。
-
容器化方案:对于需要运行多个x86程序的情况,可以考虑在Ubuntu ARM系统中使用x86容器,如通过Docker运行x86容器镜像。
-
交叉编译:对于开发者,考虑将x86程序重新编译为ARM版本,以获得最佳性能。
注意事项
-
安装x86库会增加系统占用空间,请确保有足够的存储容量。
-
某些复杂的x86程序可能仍无法正常运行,特别是那些依赖特定硬件特性的程序。
-
定期更新系统以确保兼容层保持最新状态。
通过以上步骤,大多数x86 Linux程序应该可以在UTM虚拟机的Ubuntu ARM64系统中正常运行。如遇特定程序问题,可能需要额外安装该程序依赖的x86库文件。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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