MinGW-w64下载地址(持续更新和维护,版本齐全)

简介: MinGW-w64是Windows平台开源免费的GNU编译器套件,支持C/C++源码直接编译为原生exe,无需VS等大型IDE。本文提供16.2.0版多架构安装包(含x86/x64、POSIX/Win32/MCF等),并详解从环境配置到“Hello, MinGW!”编译运行的完整实操流程。

着急下载的小伙伴请直接转到:最新版 MinGW-w64 官方安装包下载(版本齐全)


MinGW 是 GNU GCC 编译器在 Windows 上的移植版本,开源免费。借助gcc处理 C 代码、g++处理 C++ 代码,命令行即可完成源码编译,输出 Windows 原生 exe 程序,无需依赖大型集成开发环境。


编译 C/C++ 源代码,原生 Windows 不提供编译器,完整 Visual Studio 安装包体积庞大,不适合只想简单编译代码的用户。


本文我们就实操 MinGW 的简单使用,掌握从源码到可执行程序的完整流程。

MinGW 下载

最新版 MinGW-w64 16.2.0 官方安装包下载地址,版本齐全:https://www.54benniao.com/a/j48jy6.html


为了方便下载安装,本文附带了不同系统和版本的安装包,可以按需要下载使用:


文件名 适用系统 说明
x86_64-16.2.0-release-posix-seh-ucrt-rt_v14-rev1.7z 64 位 绝大多数电脑选择这个,POSIX 线程 + UCRT 运行时。推荐
x86_64-16.2.0-release-posix-seh-msvcrt-rt_v14-rev1.7z 64 位 POSIX 线程 + MSVCRT 运行时,兼容 Windows 7 等老系统。
x86_64-16.2.0-release-win32-seh-ucrt-rt_v14-rev1.7z 64 位 Win32 线程 + UCRT 运行时,不需要 C++11 标准线程特性时可选。
x86_64-16.2.0-release-win32-seh-msvcrt-rt_v14-rev1.7z 64 位 Win32 线程 + MSVCRT 运行时,兼容老系统的最小配置。
x86_64-16.2.0-release-mcf-seh-ucrt-rt_v14-rev1.7z 64 位 MCF 线程 + UCRT 运行时,MCF 是 MinGW-w64 新一代线程模型。新型
i686-16.2.0-release-posix-dwarf-ucrt-rt_v14-rev1.7z 32 位 POSIX 线程 + UCRT 运行时,适用于较旧的 32 位设备。
i686-16.2.0-release-posix-dwarf-msvcrt-rt_v14-rev1.7z 32 位 POSIX 线程 + MSVCRT 运行时。
i686-16.2.0-release-win32-dwarf-ucrt-rt_v14-rev1.7z 32 位 Win32 线程 + UCRT 运行时。
i686-16.2.0-release-win32-dwarf-msvcrt-rt_v14-rev1.7z 32 位 Win32 线程 + MSVCRT 运行时。
i686-16.2.0-release-mcf-dwarf-ucrt-rt_v14-rev1.7z 32 位 MCF 线程 + UCRT 运行时。


如果还没装好 MinGW,可以先参考这篇安装教程:https://www.54benniao.com/a/bxdinx.html

MinGW 使用

下面用一个简单的 C++ 项目演示 MinGW 的基本用法。


1) 准备项目文件:


新建一个项目文件夹(我使用“project”作为演示),创建一个“main.cpp”:



在“main.cpp”中写入下面这段代码:


#include <iostream>
int main() {
    std::cout << "Hello, MinGW!" << std::endl;
    return 0;
}


2) 输入 cmd,回车:



3) 编译项目:

g++ main.cpp -o hello.exe


这里说明一下这一行命令的意义:

  • g++:MinGW 中的 C++ 编译器命令,编译 C 语言代码使用 gcc 命令。
  • main.cpp:要编译的源文件,多个源文件可以用空格分隔,比如 g++ main.cpp utils.cpp -o app.exe。
  • -o hello.exe:指定输出的可执行文件名,省略时会默认生成 a.exe。这一步会调用编译器完成预处理、编译、汇编、链接,最终生成原生的 Windows 可执行文件。



4) 编译成功后,可执行文件“hello.exe”就在当前目录:



5) cmd 运行:

.\hello.exe


看到输出 Hello, MinGW! 就说明整个流程跑通了:


总结

MinGW 是 C/C++ 开发里十分好用的编译工具环境。我们可以利用 MinGW 在 Windows 平台直接完成代码编译与简单调试工作。不管是习惯了 Linux 开发的用户,还是做小型轻量项目,MinGW 都是体验极佳的方案。

目录
相关文章
|
5天前
|
云安全 人工智能 运维
当攻击全面Agent化,你的安全防御能否跟上AI Speed?
多起客户侧AK泄露事件应急的真实观察
1241 4
|
28天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9782 32
|
8天前
|
存储 人工智能 安全
千问办公官网入口网页版登录:qwenwork.cn 注册送2000积分、登录送100积分
阿里云千问办公(QwenWork)是AI智能工作平台,支持一句话生成PPT、表格、网页、视频及数据分析。个人免费版送2000积分+每日登录赠100分,含1GB存储、5个发布页;企业版198元/席/月起。阿里千问办公QwenWork官网:https://t.aliyun.com/U/0VCTGt 阿里AI工作平台,一句话完成数据分析、PPT 生成、视频剪辑、网页搭建等复杂任务
|
3天前
|
人工智能 API 开发工具
DeepSeek Harness 神插件:白嫖 13 家大厂模型
`dsh-our-free-model` 是 DeepSeek Harness 神级插件:零配置、零API Key、零账号,聚合13家大厂免费模型(含DeepSeek V4.1 Flash、Kimi K3等),支持本地网关、用量看板与自动降级,真正实现“白嫖即用”。
|
14天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
5天前
|
Web App开发 人工智能 JavaScript
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
REA(Reverse Engineer Anything)是近期爆火的开源AI逆向工具,4月发布,1个月内斩获15万+ Star。它让AI Agent无需源码即可分析二进制、APK、JS/Electron、HAR包等17类目标,自动反编译、生成可运行代码,并强制返回带证据与局限的结论。全本地执行,MIT协议,支持Hopper/Ghidra/IDA等引擎,一行命令即可上手。
621 1
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
|
12天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
927 1
|
9天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
592 0

热门文章

最新文章