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。
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