Hangover项目中的DXVK ARM64EC编译与运行问题分析
背景介绍
Hangover是一个在ARM架构上运行x86/x64 Windows应用程序的兼容层项目。近期有用户在Android设备上尝试编译并运行ARM64EC版本的DXVK时遇到了一些技术问题。本文将详细分析这些问题及其可能的解决方案。
环境配置
用户使用的是Poco F5 Pro手机(Android 14系统)上的Debian Chroot环境,搭配Hangover 9.20版本。系统配置包括:
- 5.10内核
- 4096字节页面大小
- Turnip Adreno 725显卡驱动(Mesa 24.3)
问题现象
用户按照官方文档编译了ARM64EC版本的DXVK(v2.4.1),但在运行x64游戏(GTA5.exe)时出现多个错误:
-
Vulkan初始化问题:虽然成功加载了Vulkan驱动,但出现了OpenVR模块加载失败的情况。
-
显卡识别问题:系统无法正确识别显卡供应商ID(0x5143),导致使用默认的zink Vulkan驱动。
-
同步超时问题:多个线程在等待关键区(critical section)时发生超时,特别是loader_section和fls_section。
-
显示模式获取问题:DXGI输出接口获取显示模式列表时出现部分功能未实现的情况。
技术分析
Vulkan驱动问题
错误日志显示系统使用了Turnip驱动(Mesa 24.3),但出现了OpenVR初始化失败。这表明:
- Vulkan基础功能正常
- VR相关扩展可能不支持或配置不当
- 显卡供应商ID未被正确识别
同步机制问题
关键区超时表明线程调度可能存在问题:
- 可能是Hangover的线程调度实现与DXVK的预期不符
- 也可能是ARM64EC转换层在x64代码执行时产生了额外的同步开销
性能差异
用户提到官方x64版DXVK可以运行但性能较低,而ARM64EC版则出现错误。这表明:
- ARM64EC转换可能引入了额外的开销
- 某些x64指令在转换过程中可能没有得到最优处理
解决方案建议
-
等待官方更新:项目维护者已表示将在下一个版本中提供预编译的DXVK ARM64EC二进制包。
-
环境变量配置:确保XDG_RUNTIME_DIR环境变量正确设置,解决相关错误。
-
驱动选择:尝试使用不同的Vulkan驱动,或配置DXVK强制使用特定驱动。
-
线程调度调优:调整Hangover的线程调度参数,可能减少关键区竞争。
未来展望
随着Hangover项目的持续发展,ARM64EC支持将更加完善。对于希望在ARM设备上运行Windows游戏的开发者,建议:
- 关注项目更新,及时获取预编译的兼容组件
- 详细记录运行环境信息,便于问题诊断
- 考虑性能与兼容性的平衡,可能需要针对特定游戏进行调优
通过持续的技术优化,ARM设备运行x86/x64 Windows应用程序的体验将不断提升。
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