Microsoft STL项目C++23标准支持现状与未来展望
C++23标准支持现状
Microsoft STL团队近期公布了关于C++23标准支持的最新进展。根据官方信息,STL库层面的C++23功能已基本完成,但编译器前端(C1XX)对C++23核心语言特性的支持尚未开始。这种库实现领先于编译器支持的情况在C++标准化进程中并不罕见。
目前开发人员只能通过/std:c++latest标志来启用C++23特性,这个标志会触发"实验性功能"的警告提示。值得注意的是,虽然标记为"实验性",但团队对待这些新特性的bug修复优先级实际上很高,通常仅次于回归问题的修复。
为何尚未提供正式标志
STL团队解释了为何尚未提供正式的/std:c++23标志,主要原因包括:
-
ABI稳定性考量:团队吸取了C++20标准实施时的经验,当时过早锁定ABI导致
<format>等组件需要频繁调整。现在他们计划在STL和编译器都实现功能完整后,再观察至少两个更新周期(约半年)才锁定ABI。 -
功能完整性要求:Microsoft采取的策略是必须同时满足STL和编译器都实现C++23所有特性后,才会提供正式标志。这与某些其他编译器允许部分实现就提供标志的做法不同。
-
并行开发挑战:当前STL团队主要依靠社区贡献者来完成C++23剩余特性,如flat_set、flat_map和generator等组件。同时编译器团队尚未开始C++23核心语言特性的工作。
技术实现细节
在技术实现层面,/std:c++latest与未来/std:c++23的主要区别在于ABI稳定性保证。当前模式下,团队保留随时调整类内存布局的权利以优化性能和正确性。而一旦进入正式标志阶段,这些内部表示将被锁定以保证二进制兼容性。
值得注意的是,虽然/std:c++latest理论上可能包含C++26的特性,但实际上Microsoft目前并未实现任何C++26专属功能,仅实现了被追溯认定为缺陷修复的改进。
社区参与与开源展望
STL团队积极鼓励社区参与C++23剩余特性的实现工作。目前几个关键分支(feature/flat_map、feature/flat_set和feature/generator)都开放给贡献者。团队承诺会优先处理这些特性分支的PR,保持较快的合并节奏。
关于编译器前端开源的问题,虽然技术上有可能性,但考虑到当前公司环境和资源限制,短期内不太可能实现。团队更现实的近期目标是先将VCRuntime开源,这已经是相对较小的请求了。
未来展望
根据当前进度,C++23的正式支持可能还需要相当一段时间。开发者在生产环境中使用新特性时,需要权衡功能需求与稳定性要求。团队建议关注特性测试宏(_cpp*)来精确控制功能使用,而非完全依赖标准版本标志。
随着C++标准演进加速,Microsoft可能需要重新评估其实现策略,以平衡功能完整性要求与开发者对新特性的迫切需求。不过在当前阶段,稳定性仍是团队最优先考虑的因素。
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