Mimalloc内存管理器中mi_heap_collect的优化改进
背景介绍
Mimalloc是一款由微软开发的高性能内存分配器,以其出色的性能和低内存开销而闻名。在最新版本v2.0.9中,开发者发现了一个关于内存回收的重要问题:在某些特定场景下调用mi_heap_collect函数后,未使用的内存页面未能完全解除提交(decommit),导致实际内存占用(RSS)与预期不符。
问题现象
通过两个对比测试用例可以清晰地复现这个问题:
-
顺序分配测试:先分配200个大块(32,288字节),再分配100,000个小块(3,584字节),然后释放所有小块后内存回收正常。
-
交替分配测试:交替分配大块和小块(每400个小块后分配1个大块),释放小块后调用mi_heap_collect,内存未能完全回收,保留了大量未使用的提交内存。
问题的本质在于内存段的分配模式影响了后续的回收行为。当大块和小块内存分配在相同的内存段中时,即使调用强制回收(mi_heap_collect with force=true),部分未使用的页面仍保持提交状态。
技术分析
Mimalloc的内存管理采用分段(segment)机制,每个段包含多个内存页。问题的核心原因在于:
-
延迟回收机制:Mimalloc设计了延迟回收策略(mi_option_decommit_extend_delay等选项),目的是避免频繁的内存提交/解除提交操作带来的性能开销。
-
段内混合分配:当大块和小块内存混合分配在同一段中时,即使部分页面已空闲,由于段中仍有活跃分配,导致整个段的回收变得保守。
-
收集操作不够彻底:原有的mi_heap_collect实现未能充分考虑强制回收场景下应该更积极地回收内存。
解决方案
开发者对Mimalloc进行了以下关键改进:
-
增强了mi_heap_collect在强制模式(true)下的回收策略,使其更积极地回收未使用的内存页。
-
优化了段内页面的回收逻辑,确保在强制收集时能够解除更多空闲页面的提交状态。
-
调整了相关参数的默认行为,以平衡性能和内存使用效率。
验证结果
改进后的版本通过了严格的测试验证:
-
在交替分配测试场景下,内存回收效果与顺序分配测试一致。
-
实际内存占用(RSS)降低到预期水平(测试中从319.9 MiB降至6.4 MiB)。
-
保持了Mimalloc原有的高性能特性,没有引入明显的性能回退。
使用建议
对于关注内存占用的应用,建议:
-
更新到包含此修复的Mimalloc版本。
-
在内存敏感场景中,可以适当调用mi_heap_collect(true)进行强制回收。
-
注意设置MIMALLOC_ARENA_EAGER_COMMIT=0环境变量以获得准确的内存统计。
总结
这次优化体现了Mimalloc团队对内存管理细节的持续关注。通过改进回收策略,使得内存分配器在复杂使用场景下仍能保持高效的内存利用率,这对于长期运行的内存敏感型应用尤为重要。开发者可以期待在后续正式版本中获取这些改进。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GLM-V
GLM-4.5V and GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement LearningPython00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0107AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile010
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









