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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00