Kotlinx.serialization中负零浮点数的序列化问题解析
2025-06-06 20:00:57作者:秋阔奎Evelyn
浮点数负零的特殊性
在IEEE 754浮点数标准中,零值实际上分为正零(+0.0)和负零(-0.0)两种表示。虽然从数值比较上看-0.0 == 0.0成立,但它们在二进制表示和某些数学运算行为上存在差异。例如,1.0/+0.0会产生正无穷大,而1.0/-0.0会产生负无穷大。
Kotlin多平台序列化差异
Kotlinx.serialization库在多平台实现时遇到了一个有趣的边界情况:当序列化负零浮点数时,JVM平台能正确保留符号信息,而JS平台则会丢失负号。这是由于底层JavaScript引擎的Number.toString()实现决定的——在JS中,无论是-0.0还是+0.0,调用toString()都会返回"0"。
技术实现细节
在JVM平台上,Kotlin能够正确区分这两种零值,因此序列化输出会保留"-0.0"的表示。而在JS平台上,由于底层JavaScript引擎的行为,序列化结果统一变为"0.0"。这种差异源于Kotlin/JS需要与JavaScript的Number类型互操作。
解决方案与最佳实践
对于需要精确区分负零的场景,开发者可以实现自定义序列化器。核心思路是通过检查浮点数的二进制表示来识别负零:
@Serializable(with = NegativeZeroDoubleSerializer::class)
typealias NegativeZeroDouble = Double
object NegativeZeroDoubleSerializer : KSerializer<Double> {
override val descriptor = PrimitiveSerialDescriptor("NegativeZeroDouble", PrimitiveKind.DOUBLE)
override fun serialize(encoder: Encoder, value: Double) {
if (value == 0.0 && encoder is JsonEncoder) {
val literal = if (value.toBits() == 0L) "0.0" else "-0.0"
encoder.encodeJsonElement(JsonUnquotedLiteral(literal))
} else {
encoder.encodeDouble(value)
}
}
override fun deserialize(decoder: Decoder) = decoder.decodeDouble()
}
多平台兼容性考虑
自定义序列化器实现时需要注意:
- 应为序列化器指定唯一的描述符名称
- 需要处理非JSON格式的序列化情况
- 在JS平台要特别注意性能影响
工程实践建议
虽然负零在大多数应用场景中不会造成问题,但在以下情况需要特别注意:
- 涉及极限数学计算的场景
- 需要精确二进制表示的科学计算
- 跨平台数据交换且对数据精度有严格要求的情况
对于绝大多数业务应用,可以接受平台默认行为,因为-0.0和+0.0在逻辑等价性上是一致的。只有在确实需要区分两者的特殊场景下,才建议采用自定义序列化方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
137
169
React Native鸿蒙化仓库
JavaScript
235
309
暂无简介
Dart
598
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
631
232
仓颉编译器源码及 cjdb 调试工具。
C++
123
688
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
615
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
197
74
仓颉编程语言测试用例。
Cangjie
36
688