IREE项目在RISC-V原生环境下的构建问题与解决方案
背景介绍
IREE是一个开源的机器学习编译器运行时,旨在将机器学习模型高效地部署到各种硬件平台上。在将IREE项目移植到RISC-V架构的原生环境时,开发者可能会遇到一些特定的构建问题,特别是在涉及浮点运算的测试用例构建过程中。
问题现象
当在支持硬件浮点运算的RISC-V环境(相当于clang的-march=rv64g配置)中构建IREE时,构建过程在测试阶段会遇到链接错误。具体表现为:
- 链接器报告不同浮点ABI不兼容的错误
- 出现未定义符号
__mulsf3的错误提示
这些错误表明编译器生成的代码与系统库使用了不同的浮点运算约定。系统库使用的是硬件浮点支持,而IREE生成的代码可能默认使用了软件浮点实现。
问题分析
在RISC-V架构中,浮点运算支持有多种配置方式:
- 硬件浮点支持(如rv64g中的"g"表示包含单精度和双精度浮点)
- 软件浮点实现(通过编译器提供的库函数实现)
当系统库(如libc)是使用硬件浮点支持编译的,而IREE生成的代码默认使用软件浮点时,就会出现ABI不匹配的问题。
手动构建时,可以通过添加特定的编译选项解决这个问题:
--iree-llvmcpu-target-abi=lp64d
--iree-llvmcpu-target-cpu-features="+i,+m,+a,+f,+d"
这些选项明确指定了:
- 使用lp64d ABI(包含双精度浮点)
- 启用基础指令集和浮点扩展
解决方案
对于IREE项目的构建,有以下几种解决方案:
-
禁用测试和示例构建
通过设置CMake选项-DIREE_BUILD_SAMPLES=OFF可以跳过示例程序的构建,避免这个问题。这是最简单的临时解决方案。 -
正确配置目标平台特性
更完整的解决方案是确保IREE正确识别目标平台的特性,并生成匹配的代码。这需要:- 自动检测主机处理器特性
- 根据检测结果设置适当的编译选项
-
手动指定目标配置
对于已知的平台配置,可以手动指定目标ABI和CPU特性,确保生成的代码与系统库兼容。
深入探讨
在RISC-V生态中,浮点ABI的选择对系统兼容性至关重要。IREE作为编译器运行时,需要正确处理这些差异:
-
ABI兼容性
RISC-V有多种ABI变体,如lp64(纯64位)、lp64f(单精度浮点)、lp64d(双精度浮点)。选择正确的ABI是确保二进制兼容性的关键。 -
CPU特性检测
理想的解决方案是IREE能够自动检测主机CPU特性,包括:- 支持的指令集扩展(如F/D扩展)
- 向量指令支持
- 其他微架构特性
-
构建系统集成
构建系统应该提供清晰的接口来指定或覆盖目标平台配置,特别是在交叉编译或特殊目标平台情况下。
最佳实践建议
对于在RISC-V平台上构建IREE的开发者,建议遵循以下步骤:
- 明确目标平台的精确配置(指令集扩展、ABI等)
- 根据平台特性设置适当的CMake选项
- 对于原生构建,考虑启用自动检测功能
- 遇到ABI不匹配问题时,检查并统一所有组件的浮点配置
通过正确配置这些选项,可以确保IREE在RISC-V平台上正确构建并发挥硬件的最佳性能。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00