关于websockets项目在macOS上构建通用二进制文件的解决方案
在macOS平台上开发Python应用时,开发者有时会遇到需要构建通用(universal)二进制文件的需求。websockets作为一个广泛使用的Python库,其性能优化部分使用了C扩展模块(speedups.cpython-*.so),这给跨架构构建带来了一些挑战。
问题背景
当开发者尝试使用PyInstaller打包一个同时支持x86_64和arm64架构的macOS应用时,可能会遇到IncompatibleBinaryArchError错误。这是因为默认安装的websockets库中的C扩展模块可能只包含单一架构的二进制代码,而不是通用的"fat binary"。
解决方案探索
虽然websockets项目本身使用cibuildwheel进行构建,但默认配置可能不会生成通用的二进制文件。在这种情况下,开发者可以采取以下解决方案:
-
手动合并架构:使用macOS提供的lipo工具将不同架构的.so文件合并成一个通用二进制文件。lipo是macOS开发工具链中的一个重要工具,专门用于创建和支持多架构的二进制文件。
-
构建环境配置:确保Python环境和构建工具链正确配置为支持通用二进制构建。这可能包括设置适当的环境变量和构建标志。
具体实施步骤
对于遇到此问题的开发者,可以按照以下步骤操作:
- 分别安装x86_64和arm64架构的websockets库
- 提取两个架构下的speedups.cpython-*.so文件
- 使用lipo命令合并这两个文件:
lipo -create x86_64.so arm64.so -output universal.so - 将生成的通用二进制文件替换回原始位置
技术原理
macOS的通用二进制(Universal Binary)技术允许单个可执行文件或库包含多个架构的机器代码。当程序运行时,系统会自动选择最适合当前硬件的版本执行。这种技术在苹果从PowerPC向Intel,以及后来从Intel向Apple Silicon过渡时发挥了重要作用。
Python的C扩展模块作为动态链接库(.so文件),同样可以受益于这项技术。通过合并不同架构的二进制代码,可以确保扩展模块在所有支持的macOS设备上都能正常工作。
总结
虽然websockets项目本身没有直接提供通用二进制版本,但开发者可以通过macOS提供的工具自行解决这个问题。这种解决方案不仅适用于websockets库,对于其他Python C扩展模块同样有效。理解这一技术背后的原理,有助于开发者在跨平台开发中更好地处理类似问题。
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-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