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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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