Wasmi项目v0.45.0版本发布:Wasm执行引擎的重大升级
项目简介
Wasmi是一个用Rust编写的WebAssembly(Wasm)解释器,它提供了一个轻量级、高效且可嵌入的Wasm运行时环境。作为Wasm生态中的重要组成部分,Wasmi特别适合那些需要精细控制Wasm执行过程的场景,例如分布式账本智能合约执行、嵌入式系统等。
核心功能增强
Wasm函数燃料耗尽后恢复执行
本次版本最引人注目的特性是新增了对Wasm函数调用在燃料(fuel)耗尽后恢复执行的支持。这个功能对于构建基于燃料计量的Wasm调度系统至关重要。
在实际应用中,当Wasm执行消耗完分配的燃料后,传统做法是直接终止执行。而v0.45.0允许执行被暂停并在补充燃料后恢复,这为构建更复杂的调度系统提供了可能。例如,在一个多任务环境中,调度器可以根据优先级动态分配燃料配额,当某个任务用完当前配额时,可以暂停它并切换到其他任务,稍后再恢复执行。
完整的relaxed-simd支持
v0.45.0完善了对relaxed-simd特性的支持,增加了wasmi_core::simd模块中缺失的API函数。relaxed-simd是WebAssembly SIMD建议的扩展,它允许更灵活的SIMD操作,在某些情况下可以获得更好的性能。
性能优化
链接器实例化优化
在Linker::instantiate过程中,现在避免了重复的类型检查和验证检查。这一优化减少了实例化Wasm模块时的开销,特别是对于频繁实例化相同模块的场景,性能提升将更为明显。
指令集架构改进
Wasmi团队对内部中间表示(IR)进行了多项重要改进:
- 移除了所有条件返回指令,这使得cmp+branch融合优化能在更多场景下应用
- 精简了bulk-memory和bulk-table指令变体,同时保留了常见情况的优化版本
- 新增了逻辑比较指令,进一步增强了cmp+branch指令融合能力
- 为浮点比较指令添加了否定版本,使cmp+nez融合能应用于更多指令
- 重新设计了select指令,使其也能受益于cmp操作码融合优化
这些底层优化虽然对用户透明,但能显著提升Wasm代码的执行效率。
错误处理改进
v0.45.0为所有wasmi错误类型在no_std环境下实现了Rust的标准Error trait。这一改进使得在资源受限环境中使用Wasmi时,错误处理更加符合Rust的惯用法,与其他库的集成也更加顺畅。
重要问题修复
修复了一个与wasmparser集成相关的重要问题:之前版本中,Wasmi没有将启用的Wasm特性告知wasmparser,导致某些格式错误的Wasm二进制文件在解析阶段无法被正确识别。现在wasmparser能够基于启用的特性进行更严格的格式验证。
架构重构
本次版本进行了多项内部架构调整:
- 使执行器不再泛型化于Store的T参数,简化了代码结构
- 将许多核心组件从wasmi移动到wasmi_core模块中,包括FuncType、Fuel、Memory、Table、Global和ResourceLimiter等
- 移除了大部分wasmi_core::TypedVal的API,推荐使用新的wasmi_core::wasm API
这些重构提高了代码的组织性和可维护性,为未来的功能扩展奠定了基础。
依赖更新
将wasm-tools依赖更新至v228版本,确保与最新工具链的兼容性,并获得了wasm-tools项目的最新改进和错误修复。
总结
Wasmi v0.45.0是一个功能丰富且注重性能的版本,它通过引入燃料恢复执行、完善SIMD支持、优化指令集架构和重构内部设计,进一步巩固了其作为高效Wasm解释器的地位。这些改进使得Wasmi在需要精细控制Wasm执行的场景中更具吸引力,特别是在资源受限环境或需要自定义调度策略的系统中。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00