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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00