Box64 v0.3.4版本发布:跨平台x86_64模拟器迎来重大性能与兼容性升级
Box64是一款创新的动态二进制翻译工具,它允许x86_64架构的应用程序在非x86平台上运行,包括ARM64、RISC-V 64和LoongArch 64等架构。最新发布的v0.3.4版本带来了显著的性能提升和兼容性改进,特别是在RISC-V和ARM平台上的表现尤为突出。
核心架构优化
本次更新对RV64后端进行了深度优化,显著提升了执行效率。通过充分利用RVV 1.0和xThreadVector扩展指令集,现在能够更高效地模拟SSE/SSE2+指令集(虽然AVX支持尚未实现)。这种硬件加速的向量运算模拟大幅提升了多媒体应用的运行效率。
ARM64平台同样获得了重要改进,特别是在DRM(数字版权管理)支持方面。现在更多类型的DRM保护内容可以在ARM设备上顺利运行,为游戏和媒体应用打开了更广阔的可能性。
突破性功能:Windows系统调用模拟
v0.3.4版本引入了一项突破性功能——Windows系统调用模拟。这项功能需要配合Proton使用,并且目前要求48位地址空间支持。它为在Linux平台上运行Windows应用程序提供了更底层的支持,是兼容性方面的重要里程碑。
性能优化与调试增强
开发团队引入了多项性能优化措施,包括:
- BOX64_DYNAREC_DIRTY选项:提供了一种更快速(但安全性稍低)的方式来处理自修改代码
- 实验性GDBJIT支持:允许在ARM/RV64/LA64平台上以x86寄存器和指令视角调试程序
- Perf工具集成:提供了x86指令级别的性能分析能力
- CPUID处理重构:新增BOX64_CPUTYPE支持,可以选择模拟Intel或AMD处理器特性
动态二进制翻译改进
所有支持的架构后端(ARM64、RV64、LA64)都获得了大量改进:
- 标志位处理更加精确,更接近真实x86 CPU行为
- 新增对许多罕见指令的支持
- 内存跟踪和文件描述符支持的内存映射得到改进
- 针对REP MOVSB指令的优化实现
- RV64平台利用硬件扩展(如AES)提升加密操作性能
- LA64平台增加了对ABI 1.0的有限支持
Box32兼容性提升
Box64内置的32位兼容层Box32也获得了显著改进:
- 现在可以在ARM64后端上运行Steam客户端(RV64和LA64平台暂不支持)
- 大量pthreads相关问题的修复
- 更多函数和库的包装支持
- 高内存(超过32位)处理机制的改进
开发者工具与诊断增强
新版本在开发者体验方面也有重要提升:
- 跟踪日志系统重构,每条日志都带有可选颜色的BOX32或BOX64前缀
- 协仿真(cosim)系统改进,减少误报
- 运行时消息更加规范化
- 新增自动生成的USAGE.md和box64.pod文档
游戏兼容性优化
通过大量的游戏配置文件(RCFile)更新,许多游戏的运行速度和兼容性都得到了针对性优化。开发团队为多款热门游戏添加了专门的优化配置,包括但不限于《Sekiro》等。
构建与分发改进
CI系统现在不仅生成常规Linux构建,还会创建MiceWine的.rat存档和Winlator的.wcp存档,方便不同平台的用户使用。同时修复了多种构建环境下的问题,提高了跨平台构建的可靠性。
Box64 v0.3.4版本标志着这个项目在性能和兼容性方面又向前迈进了一大步。特别是对RISC-V和LoongArch架构的深度优化,为这些新兴平台运行x86_64应用提供了更强大的支持。Windows系统调用模拟的引入则为Wine/Proton的兼容性打下了更坚实的基础,展现了Box64在跨平台兼容性解决方案中的重要地位。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0131
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00