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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00