Criterion项目在Aarch64架构下的编译问题分析与解决
问题背景
在Fedora Asahi操作系统(Mac M2芯片)上编译Criterion测试框架时,用户遇到了编译错误。错误主要出现在libffi子项目的aarch64架构相关代码中,涉及ssize_t类型未定义和asm语法错误等问题。
错误分析
编译过程中出现的核心错误可以分为几类:
-
类型定义问题:编译器报告
ssize_t类型未定义,建议使用size_t替代。这表明系统头文件中缺少对ssize_t的正确定义。 -
内联汇编语法错误:多处
asm关键字未被识别,且汇编指令格式不符合预期。这可能是因为编译器不支持GNU风格的扩展汇编语法,或者缺少必要的头文件包含。 -
未使用变量警告:虽然不影响编译,但提示了代码中可能存在冗余变量。
根本原因
这些问题主要源于:
-
系统依赖缺失:系统缺少libffi的开发包(libffi-devel),导致Criterion尝试从源码编译libffi子项目。
-
交叉编译兼容性问题:在Aarch64架构下,特别是Mac M2芯片上,某些GNU特有的汇编语法可能不被完全支持。
-
头文件包含不完整:缺少定义
ssize_t类型的必要头文件(如sys/types.h)。
解决方案
针对这一问题,推荐以下解决方案:
-
安装系统级libffi开发包:
sudo dnf install libffi-devel这将提供经过系统优化的libffi库和头文件,避免从源码编译。
-
配置Criterion使用系统libffi: 在构建Criterion时,确保它检测并使用系统安装的libffi而非尝试编译子项目版本。
-
手动更新libffi子项目: 如果必须从源码构建,可以替换Criterion中的libffi子项目为最新版本,确保对Aarch64架构的更好支持。
最佳实践建议
-
优先使用系统包管理器提供的开发库,它们通常经过更好的测试和优化。
-
检查构建配置:在交叉编译场景下,确保所有工具链都支持目标架构。
-
关注编译器警告:即使是警告也可能揭示潜在的兼容性问题。
-
考虑容器化构建:在复杂环境下,使用Docker等容器可以确保一致的构建环境。
总结
Aarch64架构特别是Apple Silicon芯片上的开发环境有其特殊性。通过正确管理系统依赖和了解工具链特性,可以避免类似Criterion编译问题。系统级库的优先使用不仅能解决编译问题,还能带来更好的性能和稳定性。
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