LACT项目在Fedora Atomic系统上的安装指南
背景介绍
LACT是一款开源的AMD显卡超频和控制工具,为Linux用户提供了对AMD显卡进行性能调优的便捷方式。对于使用Fedora Atomic系列发行版(如Silverblue、Kinoite、Bazzite等)的用户,由于这些系统采用不可变的文件系统设计,安装过程需要特殊处理。
Fedora Atomic系统特性
Fedora Atomic系列发行版采用了不可变操作系统设计理念,这意味着系统根文件系统在运行时是只读的。这种设计提高了系统稳定性和安全性,但也带来了软件安装方式的改变。用户需要通过Flatpak或工具箱(Toolbox)容器来安装和管理应用程序。
安装步骤详解
-
准备工作
首先确保系统已启用RPM Fusion仓库,这是许多第三方软件(包括LACT)的依赖来源。 -
创建工具箱环境
使用以下命令创建一个新的工具箱容器:toolbox create --container lact -
进入工具箱环境
创建完成后,进入该容器环境:toolbox enter --container lact -
安装必要依赖
在容器内执行以下命令安装基础开发工具:sudo dnf install @development-tools -
安装LACT依赖包
继续安装LACT运行所需的依赖项:sudo dnf install cmake gcc-c++ libdrm-devel systemd-devel -
构建安装LACT
按照标准流程从源代码构建和安装LACT:git clone https://github.com/ilya-zlobintsev/LACT.git cd LACT mkdir build && cd build cmake .. make sudo make install
注意事项
-
权限配置
安装完成后,需要将用户添加到video组以获得必要的硬件访问权限:sudo usermod -a -G video $USER -
系统服务管理
LACT安装后会注册为系统服务,在工具箱容器内可以使用systemctl命令管理:sudo systemctl enable --now lactd -
图形界面访问
由于工具箱环境与主机系统隔离,GUI应用可能需要额外配置才能正确显示。
替代方案
对于不想使用工具箱环境的用户,可以考虑以下替代方案:
-
Flatpak打包
将LACT打包为Flatpak应用,这是Fedora Atomic推荐的软件分发方式。 -
层叠安装
使用rpm-ostree工具进行层叠安装,但这会影响系统的不可变性。
总结
在Fedora Atomic系统上安装LACT虽然需要额外步骤,但通过工具箱容器技术,用户仍然可以享受到LACT提供的AMD显卡控制功能。这种方法既保持了Atomic系统的核心优势,又满足了用户对硬件控制的需求。随着Flatpak等技术的完善,未来这类应用的安装将变得更加简便。
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