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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00