mactop项目中M1/M2 Pro芯片P-Core使用率异常问题分析
问题背景
在macOS系统监控工具mactop的使用过程中,部分M1 Pro和M2 Pro芯片用户报告了一个显著的问题:性能核心(P-Core)的使用率显示异常,表现为使用率条状图溢出屏幕右侧,同时显示的使用率数值异常高(超过2000%)。这一现象与系统实际负载明显不符,因为当mactop显示异常高使用率时,其他系统监控工具如Activity Monitor、top和Mx Power Gadget都显示系统处于低负载状态。
问题现象
多位用户在不同型号的Apple Silicon设备上报告了类似现象:
- 在M1 Pro MacBook Pro上,P-Core使用率条状图会随机向右溢出屏幕
- 显示的使用率数值远高于实际值(超过2000%)
- 问题发生时系统实际处于空闲状态
- 其他监控工具显示正常的低使用率
问题根源分析
经过开发者调查,发现问题的根源在于Apple的powermetrics工具存在bug。当开发者直接调用powermetrics获取CPU使用率数据时,该工具在某些情况下会报告异常高的数值,特别是对于M1 Pro和M2 Pro芯片的性能核心。此外,powermetrics偶尔还会输出"Second underflow occurred"的警告信息,进一步证实了数据采集过程中的问题。
解决方案演进
mactop开发者采取了分阶段的解决方案:
初始修复尝试(v0.1.9)
在第一个修复版本中,开发者尝试通过代码层面的调整来处理powermetrics返回的异常数据。虽然这一修复减少了问题发生的频率,但未能从根本上解决问题。
架构级改进(v0.2.0+)
认识到powermetrics工具的固有缺陷后,开发者决定采用更底层的解决方案:直接通过macOS的Mach内核API获取CPU使用率数据。具体实现包括:
- 使用
host_processor_info接口获取处理器信息 - 通过cgo调用Mach内核API
- 直接计算各核心的使用率,绕过powermetrics
这一改进使mactop的CPU使用率显示与Activity Monitor、htop等其他工具保持一致,解决了数据异常的问题。
技术实现细节
新版mactop采用的技术方案具有以下优势:
- 数据准确性:直接访问内核提供的CPU使用率数据,避免了中间工具的误差
- 实时性:减少数据采集的中间环节,提高响应速度
- 兼容性:适用于所有Apple Silicon芯片,不受powermetrics工具特定版本问题影响
用户影响与建议
对于遇到此问题的用户,建议:
- 升级到mactop v0.2.2或更高版本
- 如果问题仍然存在,可以提供powermetrics的原始输出帮助开发者进一步调试
- 注意新版可能显示与之前不同的CPU使用率数值,这是数据源变更的正常现象
总结
mactop项目通过从powermetrics迁移到直接使用Mach内核API,从根本上解决了M1/M2 Pro芯片上P-Core使用率显示异常的问题。这一改进不仅修复了特定问题,还提升了工具整体的数据准确性和可靠性,为用户提供了更接近系统原生监控工具的使用体验。
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