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。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00