VC-LTL:优雅地编译更轻量级的二进制文件
项目介绍
VC-LTL 是一个基于微软 Visual C++ 运行时库(MS VCRT)的开源 CRT 库,旨在减少程序的二进制文件大小,并摆脱对微软运行时 DLL 的依赖,如 msvcr120.dll、api-ms-win-crt-time-l1-1-0.dll 等。VC-LTL 最初是为 Dism++ 项目开发的专用运行时库,于 2017 年 3 月 6 日从 Dism++ 源代码中分离并开源。
在大型项目中,如果所有二进制文件都使用静态编译,会占用大量磁盘空间,并可能导致由于纤程本地存储(FLS)限制而崩溃。VC-LTL 通过使项目使用 Windows 内置的 msvcrt.dll,有效解决了 C 运行时部署问题和 FLS 限制问题,并显著减少了二进制文件的大小。
VC-LTL 完全免费,可用于商业用途。如果你在项目中使用了 VC-LTL,希望你能提及它,以便帮助更多人。
项目技术分析
工作原理
使用 VC-LTL 后,二进制文件将动态链接到 Windows 内置的 msvcrt.dll,从而减少二进制文件的大小。通常情况下,使用 VC-LTL 的项目可以正常使用 C 运行时和 STL。然而,VC-LTL 不支持 MFC 项目,因为支持 MFC 项目过于复杂。
使用 VC-LTL 后,C++ 源代码编译的二进制文件大小将减少约 30%,而纯 C 源代码编译的二进制文件大小将减少约 50%。
技术亮点
- 优雅的引用方式:只需添加一个属性表,即可享受极致的体积体验。
- 无缝使用最新 C/C++ 库:支持最新编译器和最新规范,如异常流防护(guard:cf)、静态对象线程安全初始化(threadSafeInit)等。
- 更好的兼容性:即使想兼容 Windows XP RTM,也可以安心使用新编译器。
- 完全开放代码:广泛接受用户意见,欢迎大家踊跃提交 PR,为 VC-LTL 添砖加瓦。
项目及技术应用场景
应用场景
VC-LTL 适用于需要减少二进制文件大小、简化运行时依赖的项目。特别适合以下场景:
- 大型项目:减少静态编译带来的磁盘空间占用和 FLS 限制问题。
- 嵌入式系统:减少对额外运行时 DLL 的依赖,简化部署。
- 性能敏感的应用:减少二进制文件大小,提高加载速度。
支持的开发工具和平台
- 开发工具:支持 Visual Studio 2015 及以上版本,包括 Clang with Microsoft CodeGen、Clang-LLVM 等。
- 构建工具:支持 Visual Studio、CMake、NMake、CL、QMake 等。
- 操作系统:支持 Windows XP 及以上版本,包括 Windows Server 2003 到 Windows Server 2019。
项目特点
主要特点
- 减少二进制文件大小:通过动态链接
msvcrt.dll,显著减少二进制文件大小。 - 简化运行时依赖:摆脱对微软运行时 DLL 的依赖,简化部署。
- 高兼容性:支持 Windows XP 及以上版本,即使在未安装补丁的环境中也能正常运行。
- 易于集成:通过 NuGet 或属性表轻松集成到现有项目中。
使用方法
VC-LTL 提供了多种集成方式,包括:
- Visual Studio:通过 NuGet 包管理器或属性表集成。
- CMake:通过
VC-LTL helper for cmake.cmake集成。 - NMake/CL:通过
VC-LTL helper for nmake.cmd集成。
常见问题
- 未共享到
msvcrt.dll:确保正确引用 VC-LTL,并检查生成日志。 - 无法解析外部符号
delete等:确保正确引入vc.lib和msvcrt_Platform.lib。 - 检测到
RuntimeLibrary的不匹配项:确保所有静态库都使用 VC-LTL 重新编译。
总结
VC-LTL 是一个强大且易于集成的开源 CRT 库,能够显著减少二进制文件大小,简化运行时依赖,并提供高兼容性。无论你是开发大型项目、嵌入式系统,还是性能敏感的应用,VC-LTL 都能为你带来显著的优化效果。立即尝试 VC-LTL,体验更轻量级的二进制文件编译吧!
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