JOCL 技术文档
本文档旨在帮助用户了解和使用 JOCL(Java Bindings for OpenCL)项目。以下是关于安装、使用以及项目 API 的详细说明。
1. 安装指南
Maven 坐标
JOCL 在 Maven Central 上可用,使用以下坐标进行依赖添加:
<dependency>
<groupId>org.jocl</groupId>
<artifactId>jocl</artifactId>
<version>2.0.4</version>
</dependency>
构建步骤
-
创建一个本地工作目录,例如
C:\JOCLRoot,并将所需仓库克隆到该目录:git clone https://github.com/gpu/JOCL.git git clone https://github.com/gpu/JOCLCommon.git -
构建原生库 使用 CMake 和任何兼容的目标编译器(例如 Visual Studio 或 GCC)构建 JOCL 的原生库:
- 启动
cmake-gui - 设置包含
JOCL项目源码的目录,例如C:\JOCLRoot\JOCL - 设置构建文件的目录:例如
C:\JOCLRoot\JOCL.build - 点击 "Configure"(并选择合适的编译器)
- 点击 "Generate"
然后,
C:\JOCLRoot\JOCL.build将包含构建文件,例如 GCC makefiles 或 Visual Studio 项目文件。使用这些 makefiles 编译项目将把二进制文件放置到项目的nativeLibraries子目录中,例如C:\JOCLRoot\JOCL\nativeLibraries。 - 启动
-
构建和打包外部原生库依赖 JOCL 本身没有外部依赖,除了运行时依赖 OpenCL 实现。如果仅需编译 JOCL,可以跳过此部分。
对于如 JOCLBLAS 和 JOCLBlast 等库,它们需要安装外部库(clBLAS 和 CLBlast)。按照相应文档编译并安装这些外部库后,将头文件和库文件路径填入 CMake GUI 中的
CLBLAST_INSTALL_DIR和CLBlast_LIBRARY。之后,按照上述 构建原生库 部分说明编译 JOCLBlast。
-
构建Java库 原生库构建完成后,切换到
JOCL目录并执行以下命令:mvn clean install这将编译 Java 库,运行单元测试,并将类文件(包括原生库)、源代码和 JavaDocs 打包成 JAR 文件,最终将所有库放置在
C:\JOCLRoot\JOCL\target目录中。 -
为 Android 构建库 编译 Android 的原生代码较为繁琐,因此使用 android-cmake 以简化流程。首先安装 android-cmake 工具链文件到 cmake 模块路径。然后在
JOCL目录下创建构建目录,并使用以下命令配置构建:cmake -DCMAKE_TOOLCHAIN_FILE=android.toolchain \ -DANDROID_ABI=armeabi-v7a \ -DANDROID_NATIVE_API_LEVEL=21 \ -DCMAKE_BUILD_TYPE=Release \ ..最后,在构建最终的 .jar 文件时,避免运行本地测试:
mvn clean install -DskipTests -
在虚拟机中构建 JOCL for Linux 可以在虚拟机中使用 Vagrant 构建。准备好 Vagrantfile 后,执行以下命令启动构建:
vagrant up构建完成后,生成的 JAR 文件将放置在工作目录中。要删除构建过程中创建的虚拟机,执行:
vagrant destroy
2. 使用说明
JOCL 的使用方式请参考官方文档和示例代码。
3. 项目 API 使用文档
JOCL 的 API 使用文档请参考官方文档。
4. 项目安装方式
请参考上述 安装指南 部分进行项目安装。
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