在Apple Silicon上使用Flutter Action安装Flutter 2.x版本
随着GitHub Actions逐步将macOS最新运行环境迁移到Apple Silicon芯片(如M1/M2),许多使用较旧Flutter版本的项目遇到了兼容性问题。本文将详细介绍如何通过subosito/flutter-action在基于ARM架构的macOS运行环境中正确安装和运行Flutter 2.x版本。
背景与问题
Flutter 3.0之前的版本(包括2.10.x系列)并不原生支持ARM64架构。这些版本原本设计在Intel芯片(x86_64/amd64架构)上运行,在Apple Silicon设备上需要通过Rosetta 2转译层来执行。
当开发者尝试在macOS 14(即最新的macOS运行环境)上使用flutter-action安装Flutter 2.10.5时,会遇到"Unable to determine Flutter version for channel: stable version: 2.10.5 architecture: arm64"的错误提示,这是因为该版本没有提供ARM64架构的二进制包。
解决方案
要解决这个问题,我们需要明确告诉flutter-action下载x64架构的Flutter版本,而不是默认尝试获取ARM64版本。具体配置如下:
- name: Set up Flutter
uses: subosito/flutter-action@v2
with:
channel: stable
version: 2.10.x
architecture: x64
关键点在于architecture: x64参数,这会强制Action下载适用于Intel芯片的Flutter版本,然后在Apple Silicon设备上通过Rosetta 2自动转译运行。
技术细节
-
架构兼容性:Flutter 3.0是首个原生支持Apple Silicon的稳定版本,之前的版本都需要通过Rosetta 2运行。
-
性能影响:虽然通过Rosetta 2运行会有轻微性能损失,但对于大多数CI/CD场景来说,这种差异可以忽略不计。
-
版本选择:建议使用
2.10.x这样的通配符版本号,让Action自动选择该分支下的最新补丁版本,而不是固定到特定的小版本。
最佳实践
-
长期维护项目:如果项目需要长期维护,建议考虑升级到Flutter 3.0+版本以获得更好的性能和原生支持。
-
明确架构指定:即使在Intel芯片上,明确指定架构也是个好习惯,可以避免未来环境变化带来的意外问题。
-
版本锁定:对于关键项目,建议锁定具体的Flutter版本号,而不是使用通配符,以确保构建一致性。
通过以上方法,开发者可以顺利在最新的Apple Silicon GitHub运行环境中继续使用Flutter 2.x版本进行项目构建和测试。
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