MapTool 1.17.0版本发布:地图绘制与虚拟桌面的新篇章
MapTool作为一款开源的虚拟桌面应用程序,专为角色扮演游戏(RPG)设计,提供了强大的地图绘制、令牌管理和多人协作功能。最新发布的1.17.0版本带来了一系列令人兴奋的新特性和改进,进一步提升了用户体验和功能完整性。
核心功能增强
-
墙壁方向性支持:本次更新为墙壁添加了方向性属性,使地图设计更加精确。游戏主持人现在可以创建单向或双向墙壁,模拟现实中的门、单向通道等场景,为游戏增添更多战术可能性。
-
快速加入链接优化:新增了对rptools-maptool URI协议的支持,玩家可以通过点击特定格式的链接快速加入游戏会话,简化了连接流程。
-
临时端口支持:服务器现在支持使用临时端口(Ephemeral ports),提高了网络连接的灵活性和兼容性,特别是在复杂网络环境下表现更稳定。
地图与绘制功能改进
-
默认战役属性支持公制单位:考虑到全球用户的需求,现在战役属性默认支持公制单位,方便使用米制系统的玩家。
-
MTScript绘图函数增强:为脚本语言添加了新的绘图函数,使自动化地图创建和修改更加便捷。
-
绘图层智能显示:优化了绘图资源管理器,现在只有当绘图层包含内容时才会显示,减少了界面混乱。
用户体验优化
-
状态表覆盖层改进:当没有状态表可见时,自动隐藏状态表覆盖层;同理,当没有覆盖内容时隐藏覆盖面板,保持界面整洁。
-
Linux窗口识别优化:为Linux平台添加了StartupWMClass属性,确保MapTool窗口能被系统正确识别和管理。
-
属性默认值与重置:JavaScript绑定中新增了属性默认值和重置功能,简化了属性管理流程。
技术架构升级
-
JSON处理重构:重新实现了json-indent功能,移除了对json-lib的依赖,提高了JSON处理的效率和稳定性。
-
协议缓冲区版本统一:整合了项目中分散的protobuf版本,减少了潜在的兼容性问题。
-
构建系统改进:添加了Gradle版本目录,简化了依赖管理;更新了多个依赖库到最新版本,包括Mockito、JCabi-XML等。
安装与兼容性说明
MapTool 1.17.0提供了多种安装包格式,包括Windows的MSI/EXE、macOS的PKG/DMG、Linux的DEB/RPM等。特别需要注意的是:
- Windows用户如需安装多个版本,应使用ZIP格式而非MSI/EXE
- macOS用户首次运行时需按住Control键点击图标并选择"打开"
- Linux用户需要Ubuntu 24.04或更高版本才能满足依赖要求
总结
MapTool 1.17.0版本在功能性、稳定性和用户体验方面都有显著提升。从墙壁方向性这样的游戏性增强,到JSON处理和构建系统这样的技术改进,再到跨平台兼容性优化,这个版本为虚拟桌面游戏体验树立了新标准。无论是游戏主持人还是玩家,都能从这个版本中获得更流畅、更强大的工具支持。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C028
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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