Skiko项目中RuntimeShaderBuilder对数组uniform的支持解析
背景介绍
Skiko是JetBrains推出的一个跨平台Skia绑定库,它允许开发者在多种平台上使用Skia图形库的功能。在图形编程中,着色器(Shader)是实现各种视觉效果的核心组件之一。RuntimeShaderBuilder是Skiko中用于构建运行时着色器的重要工具类。
问题发现
在Skiko的早期版本中,开发者发现RuntimeShaderBuilder缺少对数组类型uniform变量的支持。具体表现为,当着色器代码中声明了一个vec3数组类型的uniform变量时,无法通过现有的API来设置这个数组的值。
const int COLOR_SIZE = 4;
uniform vec3 uColor[COLOR_SIZE];
技术分析
现有API限制
原生的RuntimeShaderBuilder提供了多种uniform设置方法,如设置单个浮点数、整数、向量等,但缺少直接设置浮点数数组的方法。这在处理需要传递多个颜色值或其他向量数组的场景时造成了不便。
Android平台的对比
在Android平台上,类似的RuntimeShader实现已经支持通过FloatArray来设置数组类型的uniform变量。开发者可以这样使用:
compositeRuntimeEffect.setFloatUniform("uColor", floatArrayOf(
1f, 0f, 0f,
0f, 1f, 1f,
0f, 0f, 0f,
0f, 1f, 0f
))
底层实现机制
在Skia底层,SkRuntimeEffectBuilder::BuilderUniform类提供了set()方法来处理数组类型的uniform变量。Skiko需要在其JNI绑定层添加对应的方法调用,才能实现这一功能。
解决方案实现
社区贡献者sphrak实现了这一功能,主要改动包括:
- 在RuntimeShaderBuilder.kt中添加新的uniform(String, FloatArray)方法
- 在RuntimeShaderBuilder.cc中添加对应的JNI绑定
- 确保底层调用SkRuntimeEffectBuilder::BuilderUniform.set()方法
使用示例
实现后,开发者可以这样使用数组uniform:
val shaderBuilder = RuntimeShaderBuilder(RuntimeEffect.makeForShader(shaderCode))
val colors = floatArrayOf(
1.0f, 0.0f, 0.0f, // 红色
0.0f, 1.0f, 0.0f, // 绿色
0.0f, 0.0f, 1.0f // 蓝色
)
shaderBuilder.uniform("colors", colors)
类型转换处理
值得注意的是,Skia底层会自动处理浮点数数组到不同向量类型的转换。无论是vec2[]还是vec3[],都可以使用同一个FloatArray来设置,系统会根据着色器中的声明自动进行正确的解释。
跨平台兼容性
这一功能已经在多个平台上得到验证:
- JVM平台
- macOS Arm64平台
- WebAssembly(wasmJs)平台
实际应用场景
这个功能特别适用于需要传递多个颜色值或其他向量参数的着色器效果,例如:
- 多色渐变效果
- 粒子系统中的多个属性值
- 复杂材质的多参数配置
- 动画中的关键帧数据传递
总结
Skiko通过添加对数组类型uniform的支持,进一步提升了其在图形编程中的灵活性和实用性。这一改进使得Skiko在功能上更加接近原生Android平台的实现,为跨平台图形开发提供了更一致的体验。开发者现在可以更方便地在着色器中使用数组参数,实现更复杂的视觉效果。
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