samply项目v0.13.1版本发布:跨平台性能分析工具的重大更新
samply是一款现代化的跨平台性能分析工具,它能够帮助开发者对应用程序进行低开销的性能剖析。该工具支持多种操作系统平台,包括Linux、macOS和Windows,能够捕获CPU使用情况、函数调用栈等关键性能数据,并以直观的可视化方式呈现分析结果。
Windows平台支持成为亮点
本次发布的v0.13.1版本最显著的改进是增加了对Windows平台的支持。这一功能通过ETW(Event Tracing for Windows)技术实现,具体使用xperf工具记录系统活动到ETL文件中,然后由samply进行转换处理。
值得注意的是,在Windows平台上进行性能分析时,samply会请求管理员权限,这是ETW正常工作所必需的。开发团队特别感谢了Jeff Muizel和Vadim Vukicevic的贡献,他们克服了ETW文档不足的困难,实现了这一重要功能。
跨平台功能增强
除了Windows支持外,本次更新还带来了多项跨平台改进:
-
macOS平台:现在支持附加到正在运行的进程及其子进程进行性能分析。新增的
samply setup命令可以自动完成代码签名,使进程附加功能能够正常工作。 -
Android支持:
samply import命令现在对Android simpleperf工具有更好的支持,使移动端性能分析更加便捷。 -
线程控制:新增了
--main-thread-only标志,允许开发者只分析主线程的性能数据,这在GUI应用程序分析中特别有用。 -
参数记录:
--include-args参数可以捕获程序启动时的命令行参数,为性能分析提供更多上下文信息。 -
CPU利用率优化:Windows和Linux平台新增了
--per-cpu-threads标志,可以更精确地控制CPU使用率。
符号处理能力提升
新版本在符号处理方面做了多项改进:
-
新增了多种符号相关参数,包括
--symbol-dir、--windows-symbol-server等,支持从不同来源获取符号信息。 -
Windows平台可以通过
--windows-symbol-server参数指定微软的符号服务器地址,自动下载系统库和内核栈的符号信息。 -
虽然目前需要手动配置符号服务器,但开发团队已计划在未来版本中加入配置文件功能,使符号服务器配置更加持久化。
技术实现细节
在底层实现上,本次更新有几个值得注意的技术点:
-
最低Rust版本要求:现在需要Rust 1.77或更高版本才能构建samply。
-
macOS兼容性:修复了在macOS 15 Sequoia上的库枚举问题,确保工具在新系统上也能正常工作。
-
zerocopy依赖:解决了与zerocopy和zerocopy_derive相关的构建错误,提高了工具的稳定性。
已知问题与未来方向
尽管v0.13.1带来了许多改进,但仍存在一些已知问题:
-
Windows符号默认不可用,需要手动配置符号服务器。
-
预编译的.NET代码符号支持不完善,相关修复正在开发中。
-
CoreCLR支持存在一些问题,特别是在某些场景下可能无法正常工作。
开发团队表示将继续完善这些功能,并计划在未来版本中引入更多改进,如永久性的符号服务器配置等。
安装与使用
用户可以通过多种方式安装samply v0.13.1:
-
使用shell脚本一键安装:执行简单的curl命令即可完成安装。
-
通过PowerShell脚本安装:适合Windows用户快速部署。
-
直接下载预编译的二进制文件:支持多种平台架构,包括Apple Silicon、Intel macOS、x64 Windows、ARM64 Linux等。
对于开发者而言,samply v0.13.1提供了更全面的跨平台性能分析能力,特别是在Windows平台的支持上迈出了重要一步。无论是桌面应用、服务器程序还是移动应用的性能优化,这个版本都提供了更加强大的工具支持。
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 StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07