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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0131- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00