Compiler Explorer 项目中 GCC 15 交叉编译器的构建与优化
概述
在 Compiler Explorer 项目中,团队近期完成了 GCC 15 版本编译器对原生和交叉目标的构建工作。这项工作涉及多个架构平台的适配和优化,特别是针对 ARM64、MIPS64 和 SPARC 等架构的特殊处理。
构建过程与技术挑战
构建过程中,团队遇到了几个关键的技术挑战:
-
uclibc 兼容性问题:在 MIPS64el 和 SPARC-LEON 架构上,使用 uclibc 时遇到了构建失败的问题。解决方案是采用更新的 uclibc-ng 版本,并对 SPARC-LEON 和 s390x 架构禁用了 Ada 支持,以解决 time_t 相关的问题。
-
glibc 版本依赖:特别是在 ARM64 架构上,GCC 15.1 的某些优化特性(如向量化)需要较新版本的 glibc 支持。团队发现使用 glibc 2.37 时无法实现预期的向量化优化,而升级到 glibc 2.41 后问题得到解决。
-
执行环境问题:在原生目标上运行时,GCC 15.1 编译的程序会出现段错误,而 GCC 14.2.0 则能正常工作。这提示可能存在编译器本身的问题或与系统库的兼容性问题。
解决方案与优化
针对上述问题,团队采取了以下措施:
-
glibc 版本升级:对于 ARM64 交叉编译器,将 glibc 版本从 2.37 升级到 2.41,以支持更先进的优化特性。这一改动使得编译器能够正确生成向量化代码。
-
系统根目录(sysroot)设置:尝试使用交叉工具链自带的 glibc 而非系统自带的版本,通过设置适当的运行时路径(rpath)来解决库版本不匹配问题。
-
特殊架构处理:对于 SPARC-LEON 和 s390x 架构,由于时间相关类型(time_t)的问题,选择性地禁用了 Ada 语言支持。对于 MIPS64el 架构,则采用最新的 uclibc-ng 来确保构建成功。
技术细节与验证
在验证过程中,团队特别注意了以下几个技术细节:
-
向量化优化验证:通过特定的测试用例验证 GCC 15.1 是否能够正确生成向量化指令。在 glibc 版本升级后,可以观察到编译器生成了预期的
_ZGVsMxv_sinf等向量化函数。 -
执行环境隔离:通过设置 sysroot 和 rpath,确保编译时和运行时使用一致的库版本,避免因库版本不匹配导致的问题。
-
构建配置管理:使用 ct-ng (Crosstool-NG) 工具链来管理不同架构的构建配置,确保构建过程的一致性和可重复性。
总结与展望
通过这次 GCC 15 的构建工作,Compiler Explorer 项目不仅更新了编译器版本,还解决了一系列跨平台构建的复杂问题。特别是 glibc 版本管理方面的经验,为未来支持更多架构和编译器特性奠定了基础。
未来工作可能包括:
- 进一步优化交叉编译器的构建配置,减少特殊处理的情况
- 探索更多架构的支持,特别是新兴的 RISC-V 等架构
- 完善执行环境隔离机制,确保编译结果在不同环境中的一致性
- 持续跟踪 GCC 和 glibc 的新版本,及时更新工具链
这次升级不仅提升了 Compiler Explorer 的功能性,也为用户提供了更先进的编译器优化选项,特别是对于 ARM64 等架构的性能敏感型代码开发具有重要意义。
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