Box64项目中LA64架构的浮点参数传递问题分析
在Box64项目中,当处理LoongArch64(LA64)架构上的变参函数时,发现浮点参数传递存在异常现象。这一问题主要出现在使用CREATE_VALIST_FROM_VALIST宏处理包含浮点参数的变参函数调用时。
问题现象
通过一个简化测试用例可以重现该问题。测试程序调用一个变参函数,参数中包含布尔值、字符、整数和多个双精度浮点数。在LA64架构上运行时,浮点参数值全部显示为0,而非预期的5.5、6.6等值。
进一步分析发现,问题根源在于CREATE_VALIST_FROM_VALIST宏的实现方式。该宏原本设计用于处理通用寄存器和栈上的参数,但没有正确处理浮点寄存器中的参数。
架构差异分析
在x86-64架构上,浮点参数通过特定的XMM寄存器传递。而在LA64和RISC-V64架构上,浮点参数和整型参数使用相同的寄存器组传递,没有专门的浮点寄存器。这种架构差异导致原有的参数处理逻辑无法正确识别浮点参数。
与AArch64架构相比,虽然AArch64也使用128位SIMD寄存器,但其变参处理机制不需要特殊处理浮点参数的高64位,因此不会出现类似问题。
解决方案探讨
针对这一问题,提出了几种可能的解决方案:
-
修改CREATE_VALIST_FROM_VALIST宏,使其能够正确处理浮点寄存器区域。初步测试显示这种方法可以解决简单情况下的浮点参数传递问题,但会破坏栈上参数的访问。
-
引入新的宏CREATE_VALIST_TO_VALIST_NOFLOAT,专门处理不含浮点参数的变参函数调用场景。这种方法适用于大多数实际使用场景。
-
为每个需要处理浮点参数的变参函数编写专门的参数转换代码。这种方法最为精确,但实现成本较高。
技术实现建议
对于需要精确处理浮点参数的场景,建议采用第三种方案。具体实现可以参考Java本地接口(JNI)中的方法签名解析机制,根据函数签名动态构建参数列表。在Box64的库封装机制中,可以使用类似"iiiLdddd"这样的类型签名来指导参数处理。
总结
LA64架构上的浮点参数传递问题揭示了跨架构模拟的复杂性。Box64项目需要针对不同架构的特点,设计灵活的变参处理机制。对于LA64和RISC-V64这类不区分浮点和整型寄存器的架构,可能需要结合函数签名信息来实现精确的参数传递。
这一问题的解决不仅有助于提升Box64在LA64架构上的兼容性,也为处理其他非x86架构上的类似问题提供了参考思路。
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-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