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。
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