Shorebird项目在M1 Mac上构建Android Release版本的问题分析
问题背景
在使用Shorebird工具构建Android Release版本时,开发者遇到了构建失败的问题。错误信息显示,构建过程中出现了架构不匹配的情况,特别是在M1芯片的Mac设备上运行Android ARM64构建时。
错误现象
构建过程中抛出的关键错误信息表明:
The binary was built with the incorrect architecture to run on this machine.
If you are on an ARM Apple Silicon Mac, Flutter requires the Rosetta translation environment.
错误提示建议开发者安装Rosetta翻译环境来解决这个问题:
sudo softwareupdate --install-rosetta --agree-to-license
技术分析
这个问题主要源于M1芯片的Mac设备(基于ARM架构)与Android构建工具之间的架构兼容性问题。具体来说:
-
架构差异:M1 Mac使用ARM架构,而Android构建工具中的某些组件可能是为x86架构编译的。
-
Rosetta需求:当x86架构的二进制文件需要在ARM架构的Mac上运行时,需要Rosetta 2进行转译。
-
构建流程影响:在构建Android Release版本时,Flutter需要运行
gen_snapshot工具,这个工具在默认情况下可能不是为ARM架构编译的。
解决方案
开发者发现了几种可行的解决方案:
-
使用特定构建命令:通过指定构建APK而非AAB,可以规避这个问题:
shorebird release android --artifact apk --flutter-version=3.24.3 -
安装Rosetta:按照错误提示安装Rosetta翻译环境:
sudo softwareupdate --install-rosetta --agree-to-license -
清除缓存:Shorebird团队已经修复了这个问题,开发者可以通过清除缓存来解决:
shorebird cache clear
深入理解
这个问题揭示了跨平台开发工具链中的一个常见挑战——架构兼容性。M1 Mac的ARM架构虽然带来了性能优势,但也引入了与现有工具链的兼容性问题。Flutter和Shorebird团队需要确保他们的工具能够在不同架构的设备上无缝工作。
对于开发者来说,理解这些底层技术细节有助于更快地诊断和解决问题。当遇到类似架构不匹配的错误时,可以考虑以下几个方面:
- 检查工具链是否支持当前设备的架构
- 确认是否需要额外的转译层(如Rosetta)
- 尝试不同的构建目标或输出格式
- 保持工具和依赖项的最新版本
最佳实践建议
-
保持工具更新:定期更新Shorebird和Flutter到最新版本,以获取架构兼容性方面的改进。
-
了解构建选项:熟悉不同构建目标(APK/AAB)和架构选项,以便在遇到问题时能够灵活调整。
-
环境准备:对于M1 Mac用户,建议预先安装Rosetta,即使当前不需要,也可能在未来其他工具链中用到。
-
缓存管理:当遇到奇怪的构建问题时,清除缓存往往是有效的第一步解决方案。
通过理解这些技术细节和解决方案,开发者可以更高效地在M1 Mac设备上使用Shorebird进行Flutter应用的构建和发布工作。
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