CompCert编译器新增支持-MD依赖生成选项
在C/C++项目构建过程中,依赖关系管理是一个重要环节。主流编译器如GCC和Clang都提供了多种依赖生成选项,其中-MD是最常用的选项之一。近日,CompCert正式编译器在最新提交中增加了对这一关键功能的支持。
依赖生成选项的背景
在大型项目中,源文件之间往往存在复杂的依赖关系。当某个头文件被修改时,构建系统需要知道哪些源文件需要重新编译。传统做法是通过手动维护依赖关系,但这在项目规模扩大后变得不可行。
现代编译器提供了自动生成依赖关系的功能,通过分析#include指令来确定文件间的依赖。GCC和Clang系列编译器提供了一组-M开头的选项:
- -M:生成完整的依赖关系
- -MM:忽略系统头文件的依赖
- -MD:生成依赖关系的同时进行编译
- -MMD:忽略系统头文件并同时编译
CompCert的实现进展
CompCert作为经过形式验证的高可靠性C编译器,此前已经支持了大部分-M系列选项,但缺少对-MD和-MMD的支持。这导致某些使用-MD选项的构建系统无法直接与CompCert配合使用。
最新提交76f7fea完善了这一功能,使CompCert的行为与主流编译器保持一致。特别值得注意的是:
- 当同时使用-MD和-E(预处理)选项时,CompCert与GCC/Clang行为一致,都将依赖输出到.d文件而非-o指定的文件
- 通过-MF选项可以显式指定依赖输出文件名
- 依赖生成逻辑与现有-M/-MM选项共享核心实现
技术细节解析
在实现上,-MD选项相当于同时指定了-M和-c(编译)选项。它会在编译过程中生成依赖信息,而不是像-M那样只生成依赖信息就停止。
CompCert处理依赖生成的流程大致如下:
- 解析阶段收集所有#include指令
- 根据-MM选项决定是否过滤系统头文件
- 将依赖关系按照Makefile规则格式输出
- 如果指定-MF则使用指定文件名,否则使用默认的.d后缀
对开发者的影响
这一改进使得CompCert能够更好地融入现有构建系统。许多使用自动化工具(如CMake、Autotools)的项目都默认使用-MD选项来管理依赖关系。现在这些项目可以无缝切换到CompCert编译器,而无需修改构建配置。
对于需要高可靠性保证的项目,这一改进降低了采用CompCert的门槛,使得开发者可以在不牺牲构建系统便利性的情况下,获得经过形式验证的编译器带来的安全保障。
未来展望
虽然当前实现已经覆盖了主要使用场景,但仍有优化空间。例如,可以考虑支持GCC的-MT选项(指定目标名称)和-MQ选项(引用保护目标名称),以提供更灵活的依赖控制。此外,对并行编译场景下的依赖处理也可以进一步优化。
随着CompCert不断完善对工业标准特性的支持,它正在从学术研究领域逐步走向更广泛的工业应用,为关键系统开发提供可靠的编译保障。
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