Jupyter AI 项目中解决 macOS M1 芯片上的 psutil 兼容性问题
问题背景
在使用 Jupyter AI 和 JupyterLab 组合开发时,部分开发者可能会遇到一个奇怪的错误提示:"The file '.../psutil/_psutil_osx.abi3.so' seems to be overriding built in modules and interfering with the startup of the kernel"。这个错误通常出现在搭载 Apple Silicon (M1/M2) 处理器的 macOS 设备上,当尝试运行 Jupyter notebook 时。
错误本质分析
该错误的根本原因是 Python 的 psutil 模块(一个用于获取系统信息的跨平台库)在 Apple Silicon 架构下的兼容性问题。错误信息中提到的"incompatible architecture (have 'x86_64', need 'arm64e' or 'arm64')"明确指出了问题所在:系统安装的是 x86_64 架构的 psutil 二进制文件,而 M1/M2 芯片需要的是 arm64 架构的版本。
问题复现环境
这个问题通常出现在以下环境中:
- 使用 macOS 的 Apple Silicon 设备(M1/M2 系列芯片)
- 通过 pip 直接安装 Jupyter AI 和 JupyterLab
- Python 虚拟环境中
- 使用系统自带的 Python 或通过 Homebrew 安装的 Python
解决方案
解决此问题的方法是通过源码重新编译安装 psutil 模块,而不是使用预编译的二进制包:
pip uninstall psutil
pip install --no-binary :all: psutil
这个命令会:
- 首先卸载现有的 psutil 包
- 然后从源码重新编译安装,确保生成与当前系统架构兼容的二进制文件
技术原理
在 Apple Silicon 设备上,Python 生态系统的过渡期导致了这类兼容性问题。许多 Python 包默认提供的是 x86_64 架构的预编译二进制文件(wheel),而 M1/M2 芯片需要 arm64 架构的版本。通过 --no-binary 参数强制从源码编译,可以确保生成的二进制文件与当前处理器架构完全兼容。
预防措施
为了避免类似问题,开发者可以:
- 使用专为 Apple Silicon 优化的 Python 发行版(如 Miniforge)
- 创建虚拟环境时明确指定架构
- 定期检查并更新依赖包
- 优先使用 conda 管理环境(conda 能更好地处理不同架构的包)
总结
在 Jupyter AI 项目开发中遇到这类兼容性问题时,理解底层原因比单纯解决表面错误更重要。通过源码重新编译关键依赖项是解决架构不匹配问题的有效方法,这种方法不仅适用于 psutil 模块,也适用于其他可能出现类似兼容性问题的 Python 包。
对于使用 Apple Silicon 设备的开发者来说,保持开发环境的纯净和一致性尤为重要,这能有效减少因架构差异导致的各种奇怪问题。
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-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