LACT项目在aarch64架构下的构建问题分析与解决方案
2025-07-03 21:00:54作者:尤辰城Agatha
问题背景
LACT是一个用于AMD显卡管理的开源工具,近期在aarch64架构(如树莓派、部分服务器等使用的ARM64架构)上构建时遇到了测试失败的问题。这个问题主要出现在构建测试阶段,与一个名为easy_fuser的依赖库有关。
技术分析
问题的核心在于类型不匹配错误。具体表现为:
- 在easy_fuser库的unix_fs.rs文件中,第844行代码尝试调用listxattr函数
- 该函数期望接收一个
*mut u8类型的指针参数 - 但实际传入的是
*mut i8类型的指针 - 这种类型不匹配导致了编译失败
这种类型差异在x86架构上可能不会出现问题,但在aarch64架构上会触发严格的类型检查。这反映了跨平台开发中常见的一个问题:不同架构对某些数据类型的处理可能存在细微差别。
影响范围
这个问题主要影响:
- 需要在aarch64架构上构建LACT的用户
- 特别是那些需要运行测试套件的开发场景
- 对于仅需要构建主程序的用户,可以通过禁用测试来规避此问题
解决方案
开发团队已经采取了以下措施:
- 向easy_fuser库提交了修复补丁,正确处理了指针类型转换
- easy_fuser 4.1版本已经发布并解决了这个问题
- LACT项目已更新依赖版本,确保使用修复后的easy_fuser
对于临时解决方案,用户可以选择:
- 在aarch64架构上构建时禁用测试
- 使用预构建的软件包(如Flatpak或Fedora copr包),这些包已经针对aarch64进行了适配
经验总结
这个案例展示了开源生态系统中依赖管理的重要性。跨平台开发时,开发者需要注意:
- 不同架构可能对数据类型有不同要求
- 测试套件可能暴露出主程序不会遇到的问题
- 及时更新依赖库可以避免已知问题的发生
对于嵌入式或非x86平台的开发者,建议在开发早期就进行多架构测试,而不是等到后期才进行跨平台适配。这样可以尽早发现并解决类似的问题。
结论
通过社区的协作努力,LACT在aarch64架构上的构建问题已经得到解决。这再次证明了开源模式在解决技术问题方面的优势——问题能够被快速发现、诊断并修复。对于使用ARM架构设备的用户,现在可以顺利地在这些平台上使用LACT来管理AMD显卡了。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
165
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
598
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
230
仓颉编译器源码及 cjdb 调试工具。
C++
123
671
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
615
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
196
72
仓颉编程语言测试用例。
Cangjie
36
672