htop项目在macOS系统上的进程运行时间计算优化
在系统监控工具htop的最新开发中,针对macOS平台上的进程运行时间计算进行了重要优化。这项改进解决了原有版本中进程运行时间显示不准确的问题,使htop在macOS上的表现更加精确可靠。
问题背景
htop作为Linux系统上广受欢迎的系统监控工具,其macOS版本一直存在进程运行时间计算不够精确的问题。通过对比htop 3.3.0版本、修改后的开发版本以及macOS原生工具top的输出,可以明显看出原版htop在运行时间显示上存在偏差。
技术改进点
开发团队对macOS平台的实现进行了以下关键修改:
-
移除冗余转换函数:删除了
Platform_machTicksToNanoseconds函数的调用,直接使用proc_taskinfo结构体中提供的纳秒级运行时间数据。这个结构体已经包含了进程在用户态和内核态运行的精确时间。 -
优化时间单位转换:取消了原有的
nanosecondsToCentiseconds静态函数,改为直接除以1e7进行纳秒到厘秒的转换。这一改变避免了原有实现中可能出现的±1毫秒精度损失。 -
GPU使用率计算条件修正:调整了GPU百分比更新的判断条件,确保只有在进程CPU运行时间确实增加时才更新使用率数据。这一改进消除了不必要的计算和潜在的显示误差。
实现细节
在macOS系统中,内核通过proc_taskinfo结构体向用户空间提供精确的进程运行时间信息。开发团队发现原有的实现存在以下问题:
- 不必要地进行了多次时间单位转换
- 使用了可能引入误差的中间计算步骤
- GPU使用率更新逻辑不够严谨
新的实现直接利用内核提供的纳秒级时间数据,通过简单的数学运算转换为htop需要的显示单位,既提高了精度又简化了代码逻辑。
效果对比
通过实际测试对比可以看到:
- htop 3.3.0版本显示的进程运行时间与macOS原生top工具存在明显差异
- 修改后的开发版本显示结果与top工具高度一致
- 系统资源使用率计算更加准确可靠
未来优化方向
开发团队还计划进一步清理代码,包括:
- 移除不再使用的
Platform_nanosecondsPerMachTick静态变量 - 删除仅用于设置该变量的
Platform_calculateNanosecondsPerMachTick函数
这些优化将使代码更加简洁高效,减少潜在的错误点。
总结
这项针对macOS平台的优化显著提升了htop在苹果系统上的准确性和可靠性。通过简化时间计算流程、消除不必要的转换步骤,开发团队使htop能够更精确地反映系统进程的真实运行状态。这对于依赖htop进行系统监控和性能分析的macOS用户来说是一个重要的改进。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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