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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00