Racket BC在Apple Silicon上的并行编译问题分析
Racket是一种多范式编程语言,其实现分为两个主要版本:CS(Chez Scheme)和BC(基于C的原始实现)。近期在Racket BC 8.11.1版本中,用户报告了一个在Apple Silicon(M1 Max)平台上运行raco setup命令时出现的挂起问题。
问题现象
当用户在Apple Silicon设备上运行Racket BC的x86_64版本(通过Rosetta 2转译)执行raco setup命令时,命令会在"parallel build using 8 jobs"阶段挂起,不再产生任何输出,但CPU仍保持活动状态。这个问题特别出现在使用多线程并行编译时。
技术背景
Racket BC的垃圾收集器使用写屏障(write barrier)技术来跟踪对象引用关系。在并行环境下,这一机制依赖于信号(signal)传递来协调不同线程间的操作。然而,在Rosetta 2转译环境下,信号传递机制似乎存在问题,导致信号可能被传递到错误的线程,进而破坏了垃圾收集器的正常工作。
解决方案
目前有以下几种临时解决方案:
-
使用单进程模式:通过添加
--processes参数强制使用单进程模式而非多线程模式:raco setup --processes -
使用CS版本:对于Apple Silicon用户,建议直接使用原生ARM64架构的Racket CS版本,这不仅能避免此问题,还能获得更好的性能。
-
等待官方修复:Racket核心开发团队已注意到此问题,但考虑到这是首次报告且影响范围有限,修复优先级可能不高。
深入分析
这个问题揭示了Rosetta 2转译层在处理某些底层机制时的局限性。特别是:
- 信号传递在多线程环境下的正确性
- 写屏障实现与信号处理的紧密耦合
- x86_64与ARM64架构在并发原语上的差异
值得注意的是,这个问题不仅限于macOS平台,类似的挂起现象也出现在Linux环境的GitHub Actions中,表明这可能是一个更广泛的BC实现问题。
最佳实践建议
对于Apple Silicon用户:
- 优先使用原生ARM64架构的Racket CS版本
- 如需使用BC版本,确保添加
--processes参数 - 关注Racket官方更新,特别是对Apple Silicon平台的优化
这个问题虽然影响有限,但它提醒我们在跨架构环境中运行软件时需要特别注意底层机制可能存在的兼容性问题。
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