popcorn 的安装和配置教程
1. 项目基础介绍和主要编程语言
popcorn 是一个开源项目,它允许在浏览器中运行客户端的 Elixir 语言,并且实现与 JavaScript 的互操作性。该项目目前处于早期阶段,可能会出现一些问题,如果遇到问题,可以报告一个 issue。项目欢迎贡献,但在投入大量工作之前,请先打开一个 issue。
该项目主要使用以下编程语言和框架:
- Erlang
- Elixir
- HTML
- JavaScript
- Shell
- CSS
2. 项目使用的关键技术和框架
popcorn 在内部使用 AtomVM,这是一个轻量级的 Erlang 虚拟机,使得 Elixir 代码能够在 Web 浏览器中运行。该项目还涉及到了 WebAssembly (WASM) 技术,它是一种可以在浏览器中运行的代码格式。
3. 项目安装和配置的准备工作及详细步骤
准备工作
在开始安装之前,请确保您的开发环境满足以下要求:
- OTP 26.0.2
- Elixir 1.17.3
- Git
安装步骤
以下是在本地环境安装 popcorn 的详细步骤:
-
克隆项目到本地:
git clone https://github.com/software-mansion/popcorn.git cd popcorn -
添加项目依赖:
打开项目的
mix.exs文件,并在deps函数中添加以下代码:def deps do [ {:popcorn, github: "software-mansion/popcorn"} ] end -
创建启动模块:
在
lib目录下创建一个名为MyApp.Start.ex的文件,并添加以下内容:defmodule MyApp.Start do def start do Popcorn.Wasm.register("main") IO.puts("Hello from WASM") end end -
注册启动模块和输出目录:
打开
config/config.exs文件,并添加以下配置:import Config config :popcorn, start_module: MyApp.Start, out_dir: "static/wasm" -
获取依赖并编译项目:
在项目根目录执行以下命令:
mix deps.get mix popcorn.cook这将在
static/wasm目录下生成 WebAssembly 文件。 -
创建 HTML 文件:
创建一个
index.html文件,并添加以下内容:<!DOCTYPE html> <html> <script type="module"> import { Popcorn } from "./wasm/popcorn.js"; await Popcorn.init({onStdout: console.log}); </script> <body> </body> </html> -
运行 HTTP 服务器:
使用
mix popcorn.simple_server生成一个简单的 HTTP 服务器脚本,并用elixir server.exs运行它。然后访问http://localhost:4000,你将在控制台看到 "Hello from WASM" 的输出。
请确保使用支持 WebAssembly 的浏览器,并且如果使用其他 HTTP 静态文件服务器,需要设置正确的 HTTP 头部 Cross-Origin-Opener-Policy: same-origin 和 Cross-Origin-Embedder-Policy: require-corp。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00