Bento项目在ARM架构上构建VirtualBox虚拟机的实践与挑战
背景介绍
随着苹果M1/M2系列芯片的普及,ARM架构在开发者中的使用率显著提升。Bento作为Chef旗下的开源项目,专注于构建高质量的Vagrant基础镜像。近期社区对在ARM架构上运行CentOS 9等Linux发行版的需求日益增长,特别是在VirtualBox 7.1开始支持Apple Silicon后,这一需求变得更为迫切。
技术突破点
VirtualBox 7.1是首个正式支持Apple Silicon的版本,这为在ARM架构上构建虚拟机提供了可能。然而在实际操作中,开发者们遇到了几个关键技术挑战:
-
虚拟机导出问题:早期版本在最后导出步骤会失败,这一问题在VirtualBox 7.1.6版本中得到了修复。
-
图形控制器选择:ARM架构下,传统的vmsvga图形控制器会导致GRUB引导菜单加载极慢。临时解决方案是使用qemuramfb控制器,或者首次启动后重启虚拟机。
-
存储控制器限制:ARM架构仅支持VirtioSCSI控制器,这与x86架构下的选项有所不同。
具体解决方案
针对上述问题,开发者社区通过以下方式实现了ARM架构下的虚拟机构建:
-
EFI引导:ARM架构必须使用EFI引导方式,这是与传统BIOS引导的主要区别。
-
Vagrant补丁:需要修改Vagrant源码以支持VirtioSCSI控制器,相关补丁已提交至上游项目。
-
构建模板优化:更新了Bento项目的构建模板,使其能够自动识别架构并应用正确的配置。
当前支持状态
目前Bento项目已能够成功构建大多数主流Linux发行版的ARM64架构VirtualBox镜像,包括:
- CentOS Stream 9
- Ubuntu 24.04
- 其他主流发行版
唯一例外是Debian系统,虽然能够成功构建,但存在启动问题。这源于OVF导出时丢失了EFI引导变量,临时解决方案是手动复制GRUB的.efi文件到备用引导路径。
实践建议
对于希望在ARM架构上使用Bento构建VirtualBox虚拟机的开发者,建议:
- 确保使用VirtualBox 7.1.6或更新版本
- 关注Vagrant官方对ARM架构支持的更新
- 对于Debian系统,可参考社区提供的EFI变量修复方案
- 在遇到图形界面加载缓慢时,尝试更换图形控制器或重启虚拟机
未来展望
随着ARM架构在开发环境的普及,预计将有更多改进:
- VirtualBox对ARM架构的支持将更加完善
- Vagrant将原生支持ARM架构的特殊配置
- 更多Linux发行版将优化其ARM版本对虚拟化的支持
这一系列技术进展为开发者提供了在Apple Silicon设备上构建完整虚拟化开发环境的能力,进一步丰富了跨平台开发的工具链选择。
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-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
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