Apache Arrow项目在CentOS 9和AlmaLinux 9上的构建问题解析
在Apache Arrow项目的持续集成过程中,开发团队发现了一个影响CentOS 9和AlmaLinux 9系统构建的问题。这个问题主要出现在构建arrow-glib组件时,系统会报告一个关于PIE(位置无关可执行文件)对象的错误。
当开发团队在这些Linux发行版上构建项目时,构建系统会抛出错误信息:"Arrow-1.0.o: relocation R_X86_64_32 against .rodata' can not be used when making a PIE object; recompile with -fPIE"。这个错误表明链接器在处理位置无关代码时遇到了问题。
这个问题的根源在于现代Linux发行版默认启用了PIE保护机制,这是一种安全增强功能,旨在使可执行文件和共享库更难受到内存攻击。当系统尝试构建arrow-glib组件时,链接器发现某些对象文件没有使用-fPIE标志编译,导致无法正确生成位置无关代码。
类似的问题在Apache Arrow的另一个相关项目arrow-adbc中已经出现过,并且通过添加适当的编译标志得到了解决。这表明这是一个在多个相关项目中可能出现的共性问题。
对于这类构建问题,解决方案通常涉及修改构建配置,确保所有组件都使用一致的编译标志。在Apache Arrow项目中,开发团队通过调整构建系统,确保在生成GObject Introspection(GIR)文件时正确传递必要的编译标志来解决这个问题。
这个问题提醒开发者在跨不同Linux发行版构建软件时需要特别注意安全增强功能可能带来的影响。特别是在使用较新的Linux发行版时,默认的安全设置可能与旧版本有所不同,可能导致构建失败。
通过解决这个问题,Apache Arrow项目确保了其在现代Linux发行版上的兼容性,同时也遵循了这些系统提供的安全增强措施。这对于保证项目在各种生产环境中的稳定运行具有重要意义。
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