RealmSwift框架在Mac Silicon设备上的静态链接问题解析
问题背景
RealmSwift作为iOS/macOS平台上的流行数据库框架,近期在10.49.3及10.50.0版本中出现了一个影响Mac Silicon设备的重要兼容性问题。当开发者通过Swift Package Manager(SPM)以静态库方式集成RealmSwift时,应用在Mac Silicon设备上运行时会出现框架加载失败的问题。
问题表现
开发者会遇到两种典型症状:
-
应用商店提交问题:上传应用到App Store Connect时会收到ITMS-90863错误,提示应用链接了macOS不存在的库文件。
-
运行时崩溃:在Mac Silicon设备上运行时,应用会立即崩溃并显示dyld加载错误,提示无法找到RealmSwift框架。
技术原因分析
这个问题源于RealmSwift框架的SPM静态库集成方式与Mac Silicon设备的兼容性问题。具体表现为:
-
框架搜索路径配置不当:dyld无法在运行时找到正确的RealmSwift框架路径。
-
签名验证失败:系统检测到框架签名无效,拒绝加载。
-
SPM静态库支持不完善:当前RealmSwift的SPM配置对静态库方式的支持存在缺陷。
临时解决方案
目前开发者可以采用以下几种临时解决方案:
-
改用CocoaPods集成:移除SPM方式,通过CocoaPods重新集成RealmSwift框架。
-
动态库方式集成:在SPM中将框架设置为"Embed & Sign"动态链接方式(但可能引发其他构建问题)。
-
清理构建缓存:执行Xcode的Package缓存重置和完整清理构建。
官方进展
Realm团队已经确认此问题并将其标记为高优先级,正在开发SPM静态库构建的完整支持方案。开发者可以关注官方进展,等待后续版本修复。
最佳实践建议
对于受影响的开发者,建议:
-
评估项目时间线,选择最适合的临时解决方案。
-
保持框架版本更新,及时应用官方修复。
-
在Mac Silicon设备上进行充分测试,确保兼容性。
-
考虑在项目文档中记录此问题,方便团队其他成员了解情况。
这个问题凸显了跨平台开发中框架集成方式的重要性,也提醒开发者在采用新技术方案时需要全面测试各种使用场景。
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