新闻详情

新闻详情

首页 / 资讯中心 / 详情

c/c++: window下安装mingw-w64

发布时间:2026/11/15 1:10:00来源:尧图网络
c/c++: window下安装mingw-w64
环境window11x86_64-16.2.0-release-posix-seh-ucrt-rt_v14-rev1.7z一、什么是 MinGW-w64?MinGW 的全称是Minimalist GNU on Windows。一句话来概括MinGW 就是 GCC 的 Windows 版本 。组成gccC 编译器gC 编译器gdb调试器Windows API 头文件 运行库不需要装庞大的 Visual Studio** 历史小区别**老 MinGW只支持 32 位早已停更MinGW-w64社区分支增加 64 位支持现在主流大家简称mingw64二、下载 MinGW-w64也可以从网盘中下载链接: https://pan.baidu.com/s/1qT_p8EZ6BGjFzVh_jGvgvQ?pwd7j92提取码: 7j92打开mingw-w64的官网https://www.mingw-w64.org/选择download里对应的github地址 https://github.com/niXman/mingw-builds-binaries/releases下载后如下注意这个压缩包名字的规则以x86_64-16.2.0-release-posix-seh-ucrt-rt_v14-rev1.7z为例拆解一下1. 架构 (Architecture)i686代表 32位 系统。除非你的电脑非常老旧否则不建议选。x86_64代表 64位 系统。现在的主流选择Win11 必选这个。2. 线程模型 (Threading Model)posix支持 C11 的多线程特性如 std::thread。做 C/C 开发首选这个。win32使用 Windows 原生线程 API不支持 C11 多线程特性。只在维护老旧项目时使用。mcf这是一个比较罕见的实验性线程模型普通开发者可以直接忽略。3. 异常处理 (Exception Handling)seh零开销的异常处理机制64位系统推荐。dwarf主要用于 32位系统64位系统不用管。sjlj较老的处理方式性能较差图中没出现但常见于其他版本。4. 运行时库 (C Runtime Library)ucrtUniversal C Runtime。Win10 和 Win11 的原生运行时库更符合现代 C 标准强烈推荐。msvcrt旧版 Microsoft Visual C 运行时。只有在需要兼容 Windows 7/8 或老旧软件时才选。5. 版本与修订号16.2.0GCC 的版本号越大越新。rt_v14-rev1编译这套工具的构建脚本版本通常选最新的即可。四、安装mingw-w64将上面压缩包解压后拷贝到安装目录就行我把他安装到d盘然后手动将它的bin目录加入到path五、测试是否安装成功打开cmd如下看到上面就说明安装成功了。六、尝试简单的编译首先新建一个test.c文件#includestdio.hintmain(){printf(hello\n);}打开终端powershell编译运行如下可以看到能正常的编译。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉