SwiftProtobuf 项目在 Swift 5.10 下的并发安全性改进
SwiftProtobuf 项目在升级到 Swift 5.10 后遇到了新的并发安全性警告,这些警告源于 Swift 5.10 引入的 SE-0412 改进对全局变量的严格并发检查要求。本文将深入分析这些问题的本质以及项目团队采取的解决方案。
问题背景
Swift 5.10 引入了 SE-0412 改进,要求所有全局变量必须满足以下条件之一:
- 被隔离到全局执行器(global actor)
- 同时满足不可变和 Sendable 类型
在 SwiftProtobuf 项目中,主要出现了两类并发安全性警告:
存储类的默认实例问题
项目中存在多个存储类(如 AnyMessageStorage 和生成的消息存储类)的静态默认实例,这些实例被标记为全局变量。由于存储类本身不符合 Sendable 协议,触发了并发警告。
_NameMap 的并发安全性问题
每个生成的消息类型都包含一个静态的 _protobuf_nameMap 属性,该属性使用 _NameMap 类型。由于 _NameMap 不符合 Sendable 协议,同样触发了并发警告。
技术分析与解决方案
存储类默认实例的优化
存储类的默认实例是一个重要的性能优化,它避免了在消息未被修改时的不必要内存分配。项目团队考虑了以下解决方案:
- 移除默认实例:最简单但会牺牲性能的方案
- 标记为 @unchecked Sendable:由于存储类只能通过消息结构体访问,而消息结构体已经实现了正确的 CoW(写时复制)行为,这个方案是可行的
最终团队决定采用第二种方案,通过将存储类标记为 @unchecked Sendable 来保持性能优化同时解决并发警告。
_NameMap 的改进
_NameMap 最初设计时使用了字符串驻留和 UnsafePointer 等技术,但深入分析后发现:
- _NameMap 在初始化后是不可变的
- 虽然内部使用了不安全指针,但使用模式是安全的
团队决定短期内将 _NameMap 标记为 @unchecked Sendable,同时计划长期重构以利用现代 Swift 字符串的 UTF-8 支持特性,简化实现。
其他并发相关问题
除了上述主要问题外,项目还发现了其他并发警告:
- DispatchQueue 问题:在 Linux 平台上 Dispatch 模块的并发注解问题
- CharacterSet 使用:在 Linux 平台上的并发警告
- 资源包访问器:SwiftPM 生成的代码中的并发问题
对于这些问题,团队采取了以下措施:
- 使用平台条件编译处理平台差异
- 简化 CharacterSet 的使用方式
- 等待上游对生成代码问题的修复
总结与展望
SwiftProtobuf 项目通过这次升级,不仅解决了 Swift 5.10 的并发警告,还对内部实现进行了现代化改进。这些改动包括:
- 明确了存储类和 _NameMap 的并发安全性保证
- 优化了跨平台代码的实现
- 为未来完全支持 Swift 6 的严格并发检查奠定了基础
随着 Swift 并发模型的不断演进,SwiftProtobuf 项目将继续跟进最佳实践,确保在提供高性能 Protobuf 支持的同时,完全符合 Swift 的并发安全要求。
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