在Windows x64平台上构建jemalloc的ARM64版本
背景介绍
jemalloc是一个高性能的内存分配器,广泛应用于各种系统和应用中。在跨平台开发时,我们经常需要在x64架构的开发机上构建其他架构的版本,比如ARM64。本文将详细介绍如何在Windows x64平台上使用Visual Studio 2022构建jemalloc的ARM64版本。
常见构建问题
在Windows x64平台上构建ARM64版本的jemalloc时,开发者可能会遇到以下错误:
jemalloc-5.3.0\msvc\..\include\jemalloc/internal/spin.h(13,2): error : call to undeclared function '_mm_pause'
这个错误表明编译器无法识别_mm_pause指令,这是因为它是一个x86架构特有的指令,在ARM64架构上不可用。
解决方案
要成功构建ARM64版本的jemalloc,需要正确配置构建环境。以下是经过验证的有效方法:
- 使用正确的host参数配置autogen.sh脚本:
sh -c "CC=cl ./autogen.sh --host=arm64-pc-cygwin"
这个命令的关键在于--host=arm64-pc-cygwin参数,它明确告诉构建系统我们正在为ARM64架构构建。
技术原理
-
交叉编译:在x64平台上构建ARM64版本属于交叉编译,需要正确设置目标平台参数。
-
架构差异:x86架构的
_mm_pause指令在ARM64上不存在,jemalloc会根据目标平台自动选择适当的实现。 -
构建系统配置:
--host参数是GNU构建系统中的关键参数,它指定了代码将在什么平台上运行。
最佳实践
-
确保你的Visual Studio 2022安装了ARM64工具链。
-
在构建前清理之前的构建产物,避免缓存影响。
-
对于复杂的项目,建议先构建一个简单的测试程序验证交叉编译环境是否配置正确。
-
如果遇到其他架构相关错误,检查jemalloc是否有针对特定架构的条件编译代码。
总结
在Windows x64平台上构建jemalloc的ARM64版本需要注意正确配置交叉编译参数。通过指定--host=arm64-pc-cygwin参数,可以确保构建系统生成适合ARM64架构的代码。这种方法不仅适用于jemalloc,对于其他需要交叉编译的开源项目也有参考价值。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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