NxNandManager 使用教程
1. 项目介绍
NxNandManager 是一个用于管理 Nintendo Switch NAND 的开源工具。它支持多种操作,包括备份、恢复、挂载、调整大小、创建 emuNAND 等。NxNandManager 主要面向 Windows 平台,提供了图形用户界面(GUI)和命令行界面(CLI)两种操作方式。
主要功能
- 备份和恢复:支持备份和恢复 Nintendo Switch 的 NAND,包括系统分区、用户分区等。
- 加密和解密:支持对加密分区进行加密和解密操作。
- 调整大小:支持调整 NAND 的大小,特别是用户分区。
- 创建 emuNAND:支持从 NAND 镜像创建 emuNAND。
- 挂载分区:支持将 FAT 分区挂载为虚拟磁盘。
2. 项目快速启动
2.1 安装
首先,克隆项目到本地:
git clone https://github.com/eliboa/NxNandManager.git
cd NxNandManager
2.2 编译
NxNandManager 使用 MinGW 进行编译。确保你已经安装了 MinGW 和 OpenSSL。
make
2.3 运行
编译完成后,可以直接运行生成的可执行文件:
./NxNandManager.exe
2.4 使用示例
以下是一个简单的备份操作示例:
./NxNandManager.exe -i \\.\PhysicalDrive3 -o "C:\Users\Public\NAND dump\rawnand.bin"
这个命令将从物理驱动器 \\.\PhysicalDrive3 备份 NAND 到 C:\Users\Public\NAND dump\rawnand.bin 文件中。
3. 应用案例和最佳实践
3.1 备份和恢复
在更新系统或进行其他操作之前,建议先备份 NAND。备份完成后,如果出现问题,可以通过恢复操作将系统恢复到备份时的状态。
3.2 创建 emuNAND
emuNAND 是一个虚拟的 NAND,可以在不影响真实 NAND 的情况下进行各种实验。创建 emuNAND 的步骤如下:
- 备份当前的 NAND。
- 使用备份文件创建 emuNAND。
- 在 emuNAND 中进行各种操作,避免对真实 NAND 造成影响。
3.3 调整分区大小
如果用户分区的空间不足,可以使用 NxNandManager 调整分区大小。调整分区大小时,建议先备份数据,以防数据丢失。
4. 典型生态项目
4.1 Hekate
Hekate 是一个用于启动 Nintendo Switch 的工具,支持多种启动模式,包括从 emuNAND 启动。NxNandManager 可以与 Hekate 配合使用,实现更复杂的系统管理。
4.2 TegraRcmGUI
TegraRcmGUI 是一个用于进入 RCM 模式的工具,可以与 NxNandManager 配合使用,实现对 NAND 的挂载和操作。
4.3 biskeydump
biskeydump 是一个用于提取 Nintendo Switch 的 BIS 密钥的工具。NxNandManager 可以使用这些密钥进行加密和解密操作。
通过以上模块的介绍,你应该已经对 NxNandManager 有了基本的了解,并能够进行简单的操作。希望这篇教程对你有所帮助!
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