DirectXShaderCompiler中GetAttributeAtVertex函数的行为验证与修复
在DirectXShaderCompiler项目中,开发者们最近发现并修复了一个关于GetAttributeAtVertex函数行为不一致的问题。这个问题涉及到DXIL和SPIR-V两种后端编译器对同一HLSL代码的不同处理方式。
问题背景
GetAttributeAtVertex是HLSL中的一个内置函数,用于在像素着色器中获取顶点属性在特定顶点上的值。这个函数通常用于实现逐图元插值计算。然而,当这个函数被用在非主函数的子函数中时,编译器会表现出不一致的行为。
问题表现
考虑以下HLSL代码示例:
float foo(int c, float v) {
if (c == 0)
return GetAttributeAtVertex(v, 1);
else
return v;
}
float4 main(nointerpolation float a : A) : SV_Target
{
float tmp1 = GetAttributeAtVertex(a, 2);
float tmp2 = foo(0, a);
float tmp3 = foo(1, a);
return float4(0, 0, 0, tmp1 + tmp2 + tmp3);
}
在DXIL后端中,编译器只为tmp1和tmp2生成了GetAttributeAtVertex调用,而对于tmp3则使用了普通的加载操作,但顶点索引未定义。而在SPIR-V后端中,对于所有情况都生成了GetAttributeAtVertex调用,默认使用索引0。
技术分析
这种不一致行为揭示了几个潜在问题:
-
函数调用边界处理:
GetAttributeAtVertex是否应该在非主函数中使用?目前规范没有明确禁止,但可能导致未定义行为。 -
条件分支处理:当
GetAttributeAtVertex调用位于条件分支中时,不同编译器后端的处理策略不一致。 -
默认值处理:当无法确定顶点索引时,不同后端采用了不同的默认值策略。
解决方案
开发团队最终通过以下方式解决了这个问题:
-
统一了DXIL和SPIR-V后端的行为,确保在相同条件下生成一致的代码。
-
明确了
GetAttributeAtVertex的使用边界,确保其在所有情况下都能产生可预测的结果。 -
修复了条件分支中的特殊处理逻辑,使得无论是否实际执行
GetAttributeAtVertex调用,都能保持行为一致。
经验总结
这个问题的解决过程提醒我们:
-
编译器内置函数的实现需要考虑所有可能的调用场景,包括条件分支和函数调用边界。
-
跨后端一致性是编译器开发中的重要考量,特别是当支持多种中间表示(DXIL和SPIR-V)时。
-
对于没有明确规范定义的行为,应该通过测试和讨论形成一致的实现策略,而不是让不同后端自行决定。
这个修复确保了开发者在使用GetAttributeAtVertex函数时,无论选择哪种后端目标,都能获得一致的行为和结果,提高了代码的可移植性和可靠性。
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