Xamarin.Android项目迁移至.NET 9时的ABI变化与包体积优化
在将Xamarin.Android项目从.NET 8迁移至.NET 9的过程中,开发者可能会遇到两个显著变化:一是默认支持的ABI架构数量减少,二是应用包体积的显著增加。这些变化实际上是.NET 9针对Android平台所做的优化调整,理解其背后的原理对于开发者进行正确的项目配置和发布至关重要。
ABI架构的默认调整
.NET 9对Android平台的ABI支持策略进行了优化,默认情况下只包含两种架构:
- android-arm64(64位ARM架构)
- android-x64(64位x86架构)
这与.NET 8时期的默认配置(包含四种架构:android-arm、android-arm64、android-x86和android-x64)形成了鲜明对比。这种调整是基于当前Android设备市场的实际情况做出的优化决策。
现代Android设备中,64位架构已成为绝对主流。根据统计,目前市场上超过95%的Android设备都采用64位处理器。因此,.NET 9默认只包含64位架构可以显著减少开发者的构建时间,同时对于大多数用户来说,并不会影响应用的兼容性。
包体积变化的真相
当开发者强制在.NET 9项目中包含所有四种ABI架构时,会发现生成的AAB/APK文件体积比.NET 8版本大很多。这主要是因为.NET 9引入了一项重要的优化技术:按架构分离托管程序集。
在.NET 9中:
- 每个ABI架构都有自己独立的托管程序集副本
- 这些程序集被存储为.so文件(如libassemblies.arm64-v8a.blob.so)
- 每个这样的文件大约占用8MB空间
这种设计虽然增加了AAB文件的总体积,但实际上对终端用户没有任何负面影响。因为:
- Google Play商店在分发应用时,只会下载与用户设备架构匹配的单一版本
- 最终用户下载的APK体积与.NET 8时期基本相同,甚至可能更小
- 实际测试数据显示,.NET 9版本的用户下载体积为15.2MB,反而比.NET 8的16.9MB有所减小
项目配置建议
对于大多数现代应用,建议采用.NET 9的默认配置(仅包含64位架构)。这样可以:
- 减少构建时间
- 简化发布流程
- 覆盖绝大多数用户设备
如果确实需要支持32位设备(如某些老旧设备或特定行业设备),可以通过在项目文件中显式指定RuntimeIdentifiers来包含所有架构:
<RuntimeIdentifiers>android-arm64;android-arm;android-x64;android-x86</RuntimeIdentifiers>
但需要注意,这会导致构建产物体积增加,但对终端用户的实际下载体积没有影响。
性能优化与兼容性平衡
.NET 9的这些变化体现了微软在性能优化与兼容性之间的平衡考量。通过减少默认架构数量,可以:
- 加快开发者的构建速度
- 减少CI/CD流水线的资源消耗
- 简化测试矩阵
而按架构分离托管程序集的设计则带来了:
- 更精确的架构优化
- 减少运行时转换开销
- 提高应用性能
开发者应当根据自己应用的目标用户群体和设备分布情况,合理选择支持的ABI架构,在兼容性和构建效率之间找到最佳平衡点。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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