Wasabi 项目使用指南
1. 项目介绍
Wasabi 是一个用于动态分析 WebAssembly 二进制文件的框架。它基于二进制插桩技术,提供了对 WebAssembly 程序的动态分析能力。Wasabi 的核心功能包括 WebAssembly 解析器、插桩库和编码器,这些组件都是用 Rust 编写的。Wasabi 不仅适用于动态分析,还可以用于其他 WebAssembly 分析和插桩项目。
2. 项目快速启动
2.1 环境准备
在开始使用 Wasabi 之前,请确保您的系统已经安装了以下依赖:
- Git
- CMake
- GCC 或 Clang
- 现代浏览器(如 Firefox 或 Chrome)
- WebAssembly Binary Toolkit (WABT)
- Emscripten
- Rust 和 Cargo
2.2 安装 Wasabi
首先,克隆 Wasabi 仓库并进入项目目录:
git clone https://github.com/danleh/wasabi.git
cd wasabi/crates/wasabi
接下来,使用 Cargo 安装 Wasabi:
cargo install --path .
2.3 使用 Wasabi 进行插桩
假设您已经有一个 WebAssembly 文件 hello.wasm,您可以使用 Wasabi 对其进行插桩:
wasabi hello.wasm
这将生成两个文件:
out/hello.wasm: 插桩后的二进制文件out/hello.wasabi.js: Wasabi 加载器、运行时和生成的 JavaScript 代码
2.4 运行插桩后的程序
将插桩后的二进制文件和生成的 JavaScript 代码替换原始文件,并运行程序:
mv hello.wasm hello.orig.wasm
cp out/* .
然后,使用 Emscripten 生成的 HTML 文件运行程序:
emrun --no_browser --port 8080 .
在浏览器中打开 http://localhost:8080/hello.html,您将看到插桩后的程序运行结果。
3. 应用案例和最佳实践
3.1 日志分析
Wasabi 可以用于记录 WebAssembly 程序中所有指令的输入和输出。以下是一个简单的日志分析示例:
- 将
log-all.js分析脚本复制到项目目录:
cp /path/to/wasabi/analyses/log-all.js .
- 将分析脚本包含在 Emscripten 生成的 HTML 文件中:
sed -i '/<script src="hello.wasabi.js"><\/script>/a <script src="log-all.js"></script>' hello.html
- 再次运行程序,您将在浏览器控制台中看到详细的日志输出。
3.2 性能分析
Wasabi 还可以用于性能分析,通过插桩代码来收集程序的执行时间和其他性能指标。您可以编写自定义的分析脚本来收集这些数据。
4. 典型生态项目
4.1 WebAssembly Binary Toolkit (WABT)
WABT 是一个用于处理 WebAssembly 二进制文件的工具集,包括 wat2wasm、wasm2wat 和 wasm-objdump 等工具。Wasabi 依赖于 WABT 进行二进制文件的解析和转换。
4.2 Emscripten
Emscripten 是一个将 C/C++ 代码编译为 WebAssembly 的工具链。Wasabi 可以与 Emscripten 结合使用,对编译后的 WebAssembly 程序进行动态分析。
4.3 Rust
Wasabi 的核心组件是用 Rust 编写的,Rust 的强大性能和安全性使其成为 WebAssembly 开发的理想选择。Rust 社区也提供了丰富的工具和库,支持 WebAssembly 的开发和分析。
通过以上步骤,您可以快速上手 Wasabi 项目,并利用其强大的动态分析功能来优化和调试 WebAssembly 程序。
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
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
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