CIRCT项目firtool-1.101.0版本发布:硬件编译工具链的重要更新
CIRCT(Circuit IR Compilers and Tools)是一个开源的硬件编译工具链项目,旨在为芯片设计提供现代化的编译器基础设施。该项目基于MLIR(多级中间表示)框架,为硬件设计提供了从高级硬件描述语言到低层次实现的完整编译流程。最新发布的firtool-1.101.0版本带来了多项重要改进和新功能,特别是在SMT求解器支持、内存banking优化和硬件验证等方面有显著增强。
SMT求解器功能的扩展
本次更新对SMT(可满足性模理论)求解器支持进行了重要扩展。开发团队增加了对bv2int操作的支持,这是一种将位向量转换为整数的关键操作,在形式化验证中非常有用。同时,SMT位向量宽度的解析方式也得到了改进,现在能够正确处理有符号数的解析,这提高了验证工具的准确性和可靠性。
值得注意的是,1.101.0版本还首次为SMT功能提供了Python绑定支持,这使得开发者可以更方便地在Python环境中集成和使用CIRCT的SMT功能,大大降低了使用门槛。
内存banking优化增强
在硬件设计领域,内存banking是一种常见的内存架构优化技术,它通过将内存划分为多个bank来提高并行访问能力。1.101.0版本对内存banking的支持有了显著提升,特别是增加了对GetGlobalOp操作的内存banking支持。这意味着编译器现在能够更智能地分析和优化全局内存访问模式,为设计带来潜在的性能提升。
硬件验证功能改进
验证是硬件设计流程中至关重要的环节。新版本在验证功能方面做了多项改进:
- 增加了对View Intrinsic的支持,这为硬件设计提供了更灵活的模块视图机制
- 改进了LowerFormalToHW转换过程,避免了贪婪模式匹配可能带来的问题
- 增强了CheckAndConvert功能,为类型检查和转换提供了更稳定的基础
这些改进使得硬件验证流程更加可靠和高效,有助于设计团队更早地发现和修复潜在问题。
控制流转换优化
在控制流处理方面,1.101.0版本对SCF(结构化控制流)到Calyx的转换做了多项优化:
- 改进了scf.if操作的转换处理,特别是对无返回值情况的处理
- 优化了循环中的IR映射初始化逻辑
- 完善了reduce操作的插入位置
- 确保了新创建函数操作的正确终止
这些改进使得从高级控制流描述到具体硬件实现的转换更加准确和高效。
其他重要改进
- ESI(嵌入式系统互连)功能增加了对hostmem写入的支持,提升了协同仿真能力
- 组合逻辑到AIG(与或图)的转换现在支持shl、shru和shrs操作
- 改进了Verilog导入功能,增加了foreach语句支持
- 增强了RTG(寄存器传输级生成)功能,包括序列支持、指令操作接口等
跨平台支持
1.101.0版本继续完善跨平台支持,特别是增强了Windows平台的构建和测试能力,使得Windows开发者能够更方便地使用CIRCT工具链。
总结
CIRCT firtool-1.101.0版本在多个关键领域都有显著进步,特别是在SMT求解、内存优化和验证流程方面。这些改进不仅提升了工具链的功能完整性,也增强了其在复杂硬件设计项目中的实用性。随着Python绑定的加入和跨平台支持的完善,CIRCT正在成为一个更加开放和易用的硬件编译基础设施,为芯片设计自动化提供了强有力的支持。
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