txiki.js 在 Void Linux 上的构建问题分析与解决方案
txiki.js 是一个基于 QuickJS 的轻量级 JavaScript 运行时环境,它提供了现代 JavaScript 特性和丰富的内置模块支持。在 Void Linux 系统上构建 txiki.js 时,开发者可能会遇到一个与 libffi 库安装路径相关的构建问题。
问题现象
当在 Void Linux 系统上执行标准构建流程时,构建过程会在链接阶段失败,错误信息显示无法找到 libffi.a 库文件。具体表现为 CMake 报告"No rule to make target 'ffi_root/usr/local/lib/libffi.a'"错误,尽管 libffi 实际上已经成功编译并安装到了系统中。
根本原因分析
这个问题源于 libffi 在多架构系统上的默认安装行为。在 64 位系统上,GCC 通常会使用"multi-os-directory"特性,导致库文件被安装到 lib64 目录而非预期的 lib 目录。具体表现为:
- libffi 的构建系统检测到系统支持多架构目录布局
- 默认情况下,64 位库会被安装到 lib64 而非 lib 目录
- txiki.js 的 CMake 配置中硬编码了 lib 目录路径来查找 libffi
- 这种路径不匹配导致构建系统无法找到已安装的库文件
解决方案
解决此问题的方法是通过在 libffi 的配置阶段添加 --disable-multi-os-directory 选项,强制库文件安装到标准 lib 目录而非架构特定的 lib64 目录。这一修改可以通过以下方式实现:
- 修改 txiki.js 项目中的 CMakeLists.txt 文件
- 在 libffi 的 ExternalProject_Add 配置中添加相应的配置选项
这种解决方案具有以下优点:
- 不影响其他系统的正常构建
- 在已经使用 lib 目录的系统上不会产生副作用
- 解决了路径不一致导致的构建失败问题
技术背景
多架构目录支持是现代 Linux 发行版中用于同时支持 32 位和 64 位库文件的机制。GCC 通过 --print-multi-os-directory 选项可以查询当前系统的多架构目录名称。在 64 位系统上,这通常会返回 "lib64"。
libffi 是一个提供外部函数接口的库,它允许程序调用不同编程语言或不同调用约定编写的代码。txiki.js 使用 libffi 来实现 JavaScript 与原生代码的互操作性。
构建建议
对于希望在 Void Linux 或其他类似系统上构建 txiki.js 的开发者,建议:
- 确保系统已安装所有必要的构建依赖
- 如果遇到类似构建问题,可以检查库文件的实际安装位置
- 考虑使用文中提到的解决方案修改构建配置
- 构建完成后,验证生成的可执行文件功能是否正常
这个问题的解决方案已经被合并到 txiki.js 的主干代码中,未来版本的构建过程将不再受此问题影响。
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