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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-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