Auto_Simulated_Universe项目2.3版本适配问题解析与解决方案
问题背景
Auto_Simulated_Universe项目是一款自动化运行"模拟宇宙"游戏模式的工具。在游戏更新至2.3版本后,项目出现了若干兼容性问题,主要表现为图像匹配失败和OCR识别位置偏移。这些问题影响了工具的核心功能,包括事件交互、祝福选择等关键操作。
主要问题分析
图像匹配失效
游戏UI在2.3版本中进行了视觉调整,导致以下关键场景的截图匹配失败:
- 掉落物品识别(drop.jpg)
- 祝福选择界面(drop_bless.jpg)
- 随机事件界面(event.jpg)
- 命途选择界面(fate_3.jpg)
- 奇物界面(strange.jpg)
这些界面元素的视觉变化使得原有的图像模板无法正确匹配,需要更新对应的图像资源。
OCR识别位置偏移
更关键的问题是交互文字识别区域的改变:
- 交互提示文字区域的高度增加了约11像素
- 原有OCR截取区域未能适配新尺寸
- 导致文字识别不完整,影响交互判断
具体表现为工具无法正确识别"与黑塔交互"等关键操作提示。
解决方案
图像资源更新
对于使用编译版的用户,最简单的解决方法是替换以下图像资源:
- drop.jpg
- drop_bless.jpg
- event.jpg
- fate_3.jpg
- strange.jpg
这些新资源需要从游戏2.3版本中重新截取,确保与当前游戏界面一致。
OCR区域调整
源码版解决方案
对于使用源码的用户,需要修改两个关键文件:
- states.py
- utils/utils.py
修改内容为调整OCR识别区域的Y坐标参数,将原有的:
img = self.check("z", 0.3200, 0.4241, mask="mask_f", large=False)
调整为:
img = self.check("z", 0.3200, 0.4324, mask="mask_f", large=False)
这个调整将OCR识别区域向下移动,确保能完整捕捉交互提示文字。
编译版解决方案
对于使用编译版的用户,可以通过修改mask_f.jpg图像资源来间接调整识别区域:
- 保持图像为全黑色
- 增加图像高度至100像素左右
- 保持宽度不变
这种方法通过扩大识别区域来补偿位置偏移,虽然不如直接修改代码精确,但也能解决大部分识别问题。
技术原理深入
图像匹配技术
项目使用OpenCV的模板匹配算法来识别游戏界面元素。当游戏UI更新时,原有模板与新界面之间的相似度可能低于设定的阈值,导致匹配失败。解决方案中的图像资源更新实际上是提供了与新UI匹配的新模板。
OCR识别优化
项目的OCR识别采用区域截取+文字匹配的方式。位置偏移问题的本质是:
- 游戏更新改变了UI布局
- 原有截取区域未能覆盖完整文字
- 导致文字识别不完整
通过调整Y坐标参数,实际上是重新校准了文字识别区域,使其与新版UI对齐。
最佳实践建议
- 推荐使用源码版本,便于后续调整和维护
- 定期检查游戏更新,及时更新图像资源
- 对于OCR问题,可以尝试不同的Y坐标值(0.4320-0.4330)找到最佳匹配
- 遇到识别问题时,检查日志输出以确定具体失败原因
总结
游戏UI更新是自动化工具常见的问题来源。通过分析Auto_Simulated_Universe项目在2.3版本中遇到的问题,我们可以总结出以下通用解决方案思路:
- 及时更新图像模板资源
- 动态调整识别区域参数
- 建立版本适配机制
- 提供灵活的配置选项
这些经验不仅适用于本项目,也可应用于其他游戏自动化工具的开发和维护。
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