GNU Compiler Collection
PulseAugur coverage of GNU Compiler Collection — every cluster mentioning GNU Compiler Collection across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
阿布扎比收购Actualize以构建主权语音AI
阿布扎比通过收购初创公司Actualize，正在大举进军人工智能领域。此次收购是CNTXT AI战略的一部分，旨在为GCC地区公共和银行部门开发量身定制的主权语音生态系统。该公司独特的方言识别技术是这一举措的核心，旨在挑战现有的全球人工智能参与者。
-
新数据集助力大语言模型分析软件漏洞
研究人员推出了 ASSEMBLAGE-DEEPHISTORY，这是一个新颖的数据集，旨在帮助分析不同构建配置和历史版本中的软件漏洞。该数据集包含来自 248 个开源项目的 73,000 多个二进制文件，使用各种编译器和操作系统进行编译，并包含将二进制文件与其源代码、易受攻击的函数和包版本相关联的详细元数据。进行了三项分析以证明该数据集的实用性，包括用于漏洞检测的大语言模型基准测试、用于聚类的嵌入比较以及二进制相似性的回归分析。
-
GCC邮件列表就伦理问题辩论LLM代码的信任度和合法性
在GCC邮件列表上，关于使用大型语言模型（LLM）的讨论主要集中在生成代码的可信度和法律影响上。LLM产品相关的伦理担忧在很大程度上被忽视，只有简短提及并迅速被搁置。对话强调GCC作为功能性产品的开发，而不是作为伦理辩论的平台。
-
新贡献者详解 vLLM CPU 后端设置
一位 vLLM 的新贡献者记录了设置该项目 CPU 后端所面临的挑战和解决方案。该过程需要特定的 GCC 版本和隐藏的构建依赖项，如 setuptools_scm，而这些在官方文档中并未明确说明。此外，默认的构建设置可能导致内存有限的系统出现内存不足错误，因此需要调整并行作业限制。
-
FunFuzz 框架使用 LLM 提高编译器模糊测试效率
研究人员开发了 FunFuzz，一个利用大型语言模型（LLM）生成结构化输入进行软件测试的新型进化模糊测试框架。该框架通过采用多岛屿方法，结合并行搜索和有前景候选者的定期迁移，解决了 LLM 驱动的模糊测试对提示初始化的敏感性问题。FunFuzz 使用反馈引导选择来调整提示，并根据编译器覆盖率和失败信号来优先考虑候选者，在对 GCC 和 Clang 的测试中展示了改进的覆盖率和独特失败触发输入的发现。
-
Antimatter在全球部署1000个微型数据中心用于AI推理
法国AI基础设施公司Antimatter正在部署一个由1000个模块化微型数据中心组成的全球网络。这些设施将位于能源源附近，以提高推理效率并降低能耗。2027年的初始阶段将包括100个部署，为超过40,000个GPU和约3.6 exaFLOPS的计算能力提供支持。
-
LLM智能体通过约束引导改进二进制反编译
研究人员开发了一个名为约束引导多智能体反编译（MCGD）的新型多智能体框架，以改进从已编译二进制文件中恢复可执行源代码。该系统采用分层验证流程，使用LLM生成的测试用例检查语法正确性、可编译性和行为等价性。当检测到错误时，专门的LLM智能体根据结构化反馈迭代地优化代码，显著提高了反编译代码的实用性。该框架在各种反编译器上的可重执行性方面表现出显著的改进，并且优于现有的基于LLM的反编译方法。
-
GCC 启动 AI 政策工作组，制定开发者指南
GCC（GNU Compiler Collection）已启动一个工作组，专注于为开发者制定 AI 指南。该工作组旨在解决日益增长的 AI 生成代码（常被称为“AI 乱象”）的使用问题，并推广更好的编码实践。该倡议力求确保 AI 工具能积极地促进软件开发，而不是引入错误或低效。
-
Anos 业余操作系统微内核增加了多任务和用户模式支持
Anos 是一个专为 x86-64 和 RISC-V 架构设计的新型业余爱好者微内核操作系统。它支持多达 16 个 CPU 的抢占式多任务处理，并支持用户模式设备驱动程序。该系统采用基于能力的安全性模型和用于操作系统服务的用户模式主管，旨在实现一种现代的、非 POSIX 的方法。