mjolnir:Clojure的原生代码生成库
项目介绍
mjolnir是一个专为Clojure设计的库,用于简化原生代码的生成工作。它对于编写即时高性能代码、构建编程语言或探索不同平台上的代码性能有极大的帮助。这个库的核心是通过包装LLVM(低级虚拟机)库,提供了一套多层次的抽象接口。
注意事项
大部分近期的开发工作都集中在了datomic分支上,建议查看该分支的最新进展以获取更新示例。
技术架构
mjolnir分为以下几个层次:
-
构造器 - 提供各种Clojure函数,可以模拟let、defn等语句。例如,你可以定义类似这样的函数:
(c/defn square [Int64 a -> Int64] (c/* a a)) -
表达式 - 构造器生成的Mjolnir表达式存于
mjolnir.types和mjolnir.expressions中。这些表达式是Clojure记录,实现了多种协议。它们通常会被mjolnir.expressions/build编译,但大多数情况下只对mjolnir.expressions/Module调用此函数。 -
LLVMC - 表达式调用
mjolnir.llvmc中的函数,这是对LLVM的各种功能的JNA封装。 -
LLVM-C - 内部,LLVM的C++ API被暴露为名为
llvm-c的C库。 -
LLVM - 最底层则是LLVM库本身。
特性:defnf 宏
mjolnir支持一个强大且简单的宏defnf,其行为类似于Clojure的defn,但具有C语言的语义。例如:
(defnf fib [Int64 x -> Int64]
(if (< x 2)
x
(+ (fib (- x 1))
(fib (- x 2)))))
在宏内,代码会转换成Mjolnir构造器,然后进行类型推断。此外,结构体成员可以通过.访问,指针类型也支持IFn,调用时会创建转换操作。
支持的平台
目前 mjolnir 支持 macOS(64位)和NVIDIA PTX(在macOS上)。添加新目标平台相对简单,欢迎有兴趣的开发者尝试扩展!
使用方法
详细的使用指南尚未完成,请参考项目源码或相关文档以获取更多信息。
许可证
该项目由Timothy Baldridge于2012-2013年创作,并遵循MIT许可证。详情见许可文件。
结论
mjolnir提供了一个强大的工具集,让Clojure程序员能够深入到原生代码层面,实现高性能计算和定制化编译器。它的defnf宏以及多层次抽象机制,使得与LLVM交互变得更加简单和直观。如果你热衷于探索底层代码的魅力,或者需要提升你的Clojure应用性能,那么mjolnir绝对值得你一试!
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