Puerts在UE5.5下的编译问题分析与解决方案
问题背景
在使用Puerts插件配合Unreal Engine 5.5版本进行开发时,部分开发者遇到了CSharpParamDefaultValueMetas.cs文件中的编译错误。这个问题主要出现在从源代码构建的UE5.5项目中,错误提示表明UhtSession类型缺少Packages属性的定义。
问题根源分析
这个编译问题的本质在于UE5.5版本对代码生成系统进行了修改,移除了UhtSession.Packages属性。Puerts插件为了兼容不同版本的Unreal Engine,在代码中使用了条件编译宏UE_5_5_OR_LATER来判断版本差异。
然而在某些情况下,特别是在开发者自行编译的Unreal Engine环境中,这个宏可能没有被正确定义或传递到C#编译环境中,导致条件编译失效,最终尝试访问了已被移除的API。
技术细节
在UE5.5之前,代码生成系统通过UhtSession.Packages属性来访问包信息。而在UE5.5中,这个API被重构,需要使用新的方式来获取包信息。Puerts插件中的CSharpParamDefaultValueMetas.cs文件负责处理默认参数值的元数据生成,需要适应这一变化。
解决方案
对于遇到此问题的开发者,有以下几种解决方案:
-
手动添加宏定义: 在CSharpParamDefaultValueMetas.ubtplugin.csproj项目中添加UE_5_5_OR_LATER宏定义,确保条件编译能够正确识别UE5.5版本。
-
直接修改源代码: 如果确定只在UE5.5及以上版本使用,可以直接修改CSharpParamDefaultValueMetas.cs文件,移除条件编译分支,直接使用UE5.5的API调用方式。
-
使用最新代码: 获取Puerts的最新master分支代码,其中已经包含了针对UE5.5的适配修改。
最佳实践建议
-
对于新项目,建议直接使用Puerts的最新master分支代码,它已经包含了完整的UE5.5支持。
-
如果必须使用特定版本的Puerts,建议检查UE5.5的宏定义是否正确定义和传递,确保条件编译能够正常工作。
-
在自行编译Unreal Engine时,注意检查构建系统的完整性,确保所有必要的宏定义都能正确传递到各个编译环节。
总结
Puerts作为连接TypeScript/JavaScript和Unreal Engine的桥梁,需要紧跟Unreal Engine的版本演进。UE5.5对代码生成系统的修改导致了这一兼容性问题,但通过合理的条件编译或代码调整可以很好地解决。开发者应根据自己的项目需求和环境选择合适的解决方案,确保开发流程的顺畅。
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-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