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。
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-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