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。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00