LFortran编译器v0.45.0版本发布:Fortran现代化进程的重要里程碑
LFortran是一个开源的Fortran编译器项目,致力于为科学计算领域提供现代化的Fortran编译工具链。该项目采用模块化设计,支持从Fortran源代码到多种目标格式的转换,包括AST、ASR、LLVM IR等中间表示,最终生成高效的可执行代码。LFortran特别注重对现代Fortran标准的支持,同时保持与遗留代码的兼容性。
核心改进
数组处理能力显著增强
本次更新对数组操作进行了多项重要改进。编译器现在能够正确处理多维数组的构造和操作,包括1D、2D和3D数组。特别值得注意的是对数组构造器(ArrayConstructor)的改进,现在可以直接使用固定大小的数组构造器,而不再需要依赖ArrayPhysicalCast转换,这显著提升了编译效率和生成代码的质量。
在数组移位操作方面,修复了dshiftr和dshiftl内在函数的实现,现在能够正确处理不同kind值的参数,并提供了更准确的错误消息。同时,cshift函数在1D数组情况下的行为也得到了修正。
内在函数支持扩展
新版本增强了对Fortran内在函数的支持:
- 改进了
findloc函数,现在支持复数类型的参数 - 修正了
repeat内在函数,确保只接受标量参数 - 修复了
ieee_arithmetic模块中单精度(sp)和双精度(dp)类型的提供方式 - 改进了
/=操作符的实现,使用无序比较以正确处理NaN值
类型系统和错误处理
类型系统方面有几个重要改进:
- 增强了
selected_int_kind、selected_real_kind和selected_char_kind函数的参数检查,确保只接受标量参数 - 改进了逻辑表达式的处理,现在会在IF语句中检查表达式是否为逻辑类型,并提供更友好的错误消息
- 修正了
iso_c_binding模块中常量的值设置
编译器架构优化
中间表示改进
在编译器内部架构方面,对中间表示进行了多项优化:
- 增强了对
ArraySection和ArrayItem的支持,现在可以处理各种类型的索引表达式 - 改进了临时变量的创建策略,特别是在处理标量函数调用和数组操作时
- 实现了数组大小的深度拷贝机制,避免运行时数组大小的意外改变
过程变量支持
新版本显著增强了对过程变量的支持,使得Fortran中的函数指针和过程参数能够更稳健地工作。这一改进为支持更复杂的函数式编程模式奠定了基础。
标准兼容性提升
在语言标准支持方面:
- 增强了对固定格式(Fixed Form)源代码中"star"声明的处理
- 改进了无
program行的程序解析,确保正确创建AST节点 - 增加了对
close语句中status参数的支持
性能优化
内存操作方面修复了一个重要问题,修正了memcpy调用中目标(dest)和源(src)参数被交换的错误,这可能会影响某些情况下的程序正确性和性能。
开发者体验
项目文档方面也有显著改进,贡献指南(CONTRIBUTING.md)现在提供了更详细的步骤说明,帮助新开发者更快上手。社区还新增了YouTube教程链接,直观展示如何修复问题。
测试与验证
测试套件得到了显著扩展,新增了多项测试用例:
- 针对元素函数(elemental function)的多维数组测试(1D、2D和3D)
- 增加了外部整型(kind 8)作为数组大小的测试用例
- 完善了数组通过数据传递(pass_array_by_data)的测试场景
构建系统改进
构建系统现在使用find_package而不是find_library来查找libunwind,这提高了构建的可靠性。持续集成(CI)流程也得到了优化,包括分离tarball生成任务和调整PRIMA测试的工作流程。
这个版本标志着LFortran在稳定性、功能完整性和标准兼容性方面又向前迈进了一大步,为科学计算社区提供了更可靠的Fortran编译解决方案。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00