probe-rs运行模式下硬故障堆栈跟踪缺失问题分析
probe-rs是一个用于嵌入式开发的调试工具链,它提供了强大的芯片编程和调试功能。近期在probe-rs的run命令中出现了一个值得关注的问题:当目标设备发生硬故障(HardFault)时,默认情况下不再自动打印堆栈跟踪信息。
问题现象
在probe-rs v0.20.0之后的版本中,用户发现当使用probe-rs run命令运行程序时,如果程序发生硬故障,控制台输出中缺少了关键的堆栈跟踪信息。只有在显式添加--always-print-stacktrace参数时,才会显示完整的堆栈信息。
这个问题在RP2040芯片上表现尤为明显。当程序发生panic时,输出仅显示panic信息和"CPU halted unexpectedly"提示,而不再包含导致故障的函数调用链。
技术背景
硬故障是ARM Cortex-M架构中的一种异常类型,当处理器检测到非法操作(如访问无效内存地址、执行未定义指令等)时会触发。堆栈跟踪对于调试这类问题至关重要,它能帮助开发者快速定位故障发生的调用路径。
probe-rs通过读取处理器的寄存器状态和内存内容来重建调用堆栈。在早期版本中,检测到硬故障时会自动执行这一功能,但最近的变更导致这一行为发生了变化。
问题根源
通过代码bisect分析,确定该问题源于commit 77e9f3253bc5b851807ba759c3a7c9839d703e69引入的变更。这个提交修改了probe-rs的异常处理逻辑,移除了硬故障情况下的自动堆栈打印功能。
此外,还发现了一个相关但独立的问题(commit a9872509e72884c6a28b4043328b6a704abb5467),导致halt前的最后一条信息输出不稳定。
解决方案
目前有两种临时解决方案:
- 使用
--always-print-stacktrace参数强制显示堆栈跟踪 - 回退到v0.20.0之前的版本
对于长期解决方案,建议:
- 恢复硬故障时的自动堆栈打印行为
- 确保堆栈信息的准确性(存在另一个问题显示当前堆栈重建可能不完全正确)
- 增强halt前的信息输出稳定性
对开发者的影响
这个问题会影响嵌入式开发者的调试效率,特别是在处理偶发性硬故障时。缺乏堆栈信息会显著增加定位问题的难度。建议开发团队重视这一问题,尽快提供修复方案,以维护probe-rs作为嵌入式开发工具的可靠性。
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