Google Benchmark 在 Windows 下使用 MinGW 编译的注意事项
Google Benchmark 是一个广泛使用的 C++ 微基准测试库,但在 Windows 平台上使用 MinGW 编译时可能会遇到一些特定问题。本文将详细介绍这些问题的成因及解决方案。
问题现象
在 Windows 10 系统上使用 MinGW 编译 Google Benchmark 时,用户可能会遇到以下编译错误:
error: '*(const std::array<long long unsigned int, 34>*)((char*)&values1 + offsetof(benchmark::internal::PerfCounterValues, benchmark::internal::PerfCounterValues::values_)).std::array<long long unsigned int, 34>::_M_elems[0]' may be used uninitialized [-Werror=maybe-uninitialized]
这些错误主要出现在性能计数器测试模块(perf_counters_gtest.cc)中,导致编译失败。
问题根源分析
经过深入分析,这些问题主要由以下几个因素共同导致:
-
GCC 的 maybe-uninitialized 警告机制:最新版本的 GCC 编译器对此类警告的处理存在已知问题,会误报一些实际上已经正确初始化的变量。
-
Windows 平台特殊性:性能计数器相关的测试代码在 Windows 平台上的行为与 Linux 有所不同,特别是
Snapshot函数在 Windows 上不会填充计数器值。 -
测试代码依赖:默认配置会编译并运行所有 Google Test 测试用例,其中包括一些对平台特性敏感的测试。
解决方案
针对上述问题,推荐以下几种解决方案:
方案一:禁用 Google Test 测试
在 CMake 配置阶段添加以下选项:
-DBENCHMARK_ENABLE_GTEST_TESTS=FALSE
这会跳过所有 Google Test 相关的测试编译,避免触发问题代码。这是最简单直接的解决方案,适合只需要核心基准测试功能的用户。
方案二:使用特定版本的 MinGW
某些 MinGW 发行版可能表现更好。推荐使用:
gcc (x86_64-win32-seh-rev0, Built by MinGW-Builds project) 14.1.0
g++ (x86_64-win32-seh-rev0, Built by MinGW-Builds project) 14.1.0
方案三:完整构建命令示例
以下是经过验证的完整构建命令序列:
cmake -S . -B build -G "MinGW Makefiles" -DCMAKE_INSTALL_PREFIX=install -DBENCHMARK_DOWNLOAD_DEPENDENCIES=TRUE
cmake --build build --config Release -j4 --target install --verbose
技术背景补充
Google Benchmark 的性能计数器功能依赖于平台特定的实现。在 Linux 系统上,它通常使用perf_event_open系统调用;而在 Windows 上,则使用不同的性能监控机制。
当启用测试时,perf_counters_gtest.cc会验证这些计数器的功能是否正常工作。但由于 Windows 平台的特殊性以及 GCC 的警告机制,可能导致编译失败。
最佳实践建议
- 对于生产环境使用,建议禁用测试以简化构建过程
- 如果需要完整功能测试,考虑在 Linux 环境下进行
- 保持 MinGW 工具链更新到最新稳定版本
- 使用 CMake 的
-DBENCHMARK_DOWNLOAD_DEPENDENCIES=ON选项自动处理依赖关系
通过以上方法,开发者可以顺利地在 Windows 平台上使用 MinGW 编译和使用 Google Benchmark 库。
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