Valgrind 技术文档
1. 安装指南
从 Subversion 仓库安装
-
从 SVN 仓库检出代码,具体操作请参考 Valgrind 下载页面。
-
进入源代码目录。
-
运行
./autogen.sh脚本以设置环境(需要标准的 autoconf 工具)。 -
接着执行以下步骤...
从 tar.bz2 分发安装
-
运行
./configure,如果需要,可以添加一些选项。唯一有趣的选项是通常的--prefix=/where/you/want/it/installed。 -
运行
make。 -
运行
make install,如果目标权限需要,可能需要 root 权限。 -
检查是否成功安装。尝试运行
valgrind ls -l。如果这能正常运行,说明安装成功;如果报错,请通知我们(参考 Valgrind 网站)。
重要提示: 不要将 Valgrind 安装移动到与构建时指定的 --prefix 不同的位置。这可能会导致在处理 fork/exec 调用时出现微妙的问题。
2. 项目使用说明
Valgrind 是一个用于构建动态分析工具的框架。它包含了一些可以自动检测许多内存管理和线程错误的工具,并且可以详细分析程序。您还可以使用 Valgrind 构建新的工具。
Valgrind 分发版目前包括六个生产质量的工具:一个内存错误检测器、两个线程错误检测器、一个缓存和分支预测分析器、一个生成调用图的缓存和分支预测分析器以及一个堆分析器。此外,还包括三个实验性工具:一个堆/栈/全局数组溢出检测器、一种不同类型的堆分析器和 SimPoint 基本块矢量生成器。
Valgrind 与 CPU、操作系统、编译器和基本 C 库的细节紧密相关。这使得它难以移植。尽管如此,它还是可以在以下平台上使用:
- X86/Linux
- AMD64/Linux
- PPC32/Linux
- PPC64/Linux
- ARM/Linux
- x86/MacOSX
- AMD64/MacOSX
- S390X/Linux
- MIPS32/Linux
- MIPS64/Linux
注意:AMD64 是 x86_64 的另一个名称,Valgrind 在 Intel 处理器上运行良好。另外,MacOSX 的核心称为 "Darwin",有时会使用这个名字。
Valgrind 根据 GNU 通用公共许可证第二版授权。请阅读源分发中的 COPYING 文件以获取详细信息。
但是:如果您贡献代码,您需要将其作为 GPL 第二版或更高版本提供,而不是仅第二版。
3. 项目 API 使用文档
Valgrind 的 API 文档可以在用户指南中找到。指南的位置是 $PREFIX/share/doc/valgrind/manual.html,其中 $PREFIX 是构建时使用 --prefix= 指定的前缀。
4. 项目安装方式
请参考上述 "安装指南" 部分进行项目安装。
以上是 Valgrind 的技术文档,希望对您有所帮助。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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