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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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