OpenBLAS构建中关于LAPACK废弃函数的兼容性问题分析
在构建开源数学库OpenBLAS 0.3.28版本时,开发者可能会遇到一个与LAPACK废弃函数相关的构建问题。本文将深入分析该问题的技术背景、产生原因以及解决方案。
问题现象
当开发者在Linux x86_64平台上使用gcc 14.2.1编译器构建OpenBLAS 0.3.28版本,并将BUILD_LAPACK_DEPRECATED参数设置为0时,构建过程会在链接测试阶段失败。错误信息显示多个废弃的LAPACK函数符号未定义。而将BUILD_LAPACK_DEPRECATED参数设为1则可以成功构建。
技术背景
OpenBLAS是一个优化的BLAS(基础线性代数子程序)库实现,它包含了BLAS和LAPACK的功能。LAPACK作为线性代数计算的经典库,随着发展会逐步淘汰一些旧的函数接口,这些被淘汰的函数就被标记为"deprecated"(废弃)。
BUILD_LAPACK_DEPRECATED是OpenBLAS的一个构建选项,用于控制是否包含这些废弃的LAPACK函数。设置为0表示不包含这些废弃函数,以减小库的体积并提高代码的现代性。
问题根源
这个问题源于Reference-LAPACK(LAPACK的参考实现)在几个月前废弃了一些函数。OpenBLAS 0.3.28版本中的链接测试可能没有及时更新以反映这些变化,导致当BUILD_LAPACK_DEPRECATED=0时,链接测试仍然尝试使用这些已被废弃的函数符号。
这个问题实际上从OpenBLAS 0.3.25版本左右就可能存在,只是在新版本中更为明显。
解决方案
目前有两种可行的解决方案:
-
临时解决方案:将BUILD_LAPACK_DEPRECATED设置为1,继续包含这些废弃函数。这是最简单的解决方法,但会增加库的体积并保留可能不再需要的代码。
-
等待官方修复:等待OpenBLAS团队更新链接测试逻辑,使其与最新的Reference-LAPACK变更保持同步。这需要开发者关注OpenBLAS的后续版本更新。
技术建议
对于生产环境,如果确实不需要这些废弃函数,建议采用临时解决方案,同时关注OpenBLAS的版本更新。对于开发环境,可以考虑从源代码修改链接测试逻辑,移除对这些废弃函数的依赖。
这个问题也提醒我们,在使用开源数学库时,需要注意不同组件之间的版本兼容性,特别是在涉及接口变更时,构建系统可能需要相应的调整。
总结
OpenBLAS构建过程中遇到的这个LAPACK废弃函数问题,反映了开源项目在快速发展过程中可能出现的接口兼容性挑战。理解这类问题的背景和解决方案,有助于开发者更好地使用和维护数学计算库,确保项目的稳定构建和运行。
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