【亲测免费】 LiteLoaderQQNT-Anti-Recall 项目推荐
2026-01-20 01:57:42作者:韦蓉瑛
1. 项目基础介绍和主要编程语言
LiteLoaderQQNT-Anti-Recall 是一个基于 LiteLoaderQQNT 框架的开源插件,主要用于在 QQNT 新版中实现消息防撤回功能。该项目的主要编程语言是 JavaScript,适合有一定前端开发经验的开发者进行二次开发和定制。
2. 项目核心功能
该插件的核心功能是防止 QQNT 中的消息被撤回,确保用户在消息被撤回后仍然能够查看原始消息内容。具体功能包括:
- 消息防撤回:拦截撤回消息的 IPC,确保消息不会被删除。
- 消息持久化:支持将撤回的消息存储在本地数据库中,重启 QQNT 后仍可查看已撤回的消息。
- 消息样式定制:允许用户自定义撤回消息的显示样式,如颜色、阴影和提示信息。
- 消息缓存管理:自动管理内存中的消息缓存,避免内存占用过高。
3. 项目最近更新的功能
最近更新的功能主要包括:
- 修复新版图片反撤回失败:解决了在新版 QQNT 中图片反撤回功能失效的问题。
- 取消QQ多开弹窗:优化了多开 QQ 时的用户体验,减少了弹窗提示。
- 数据库加载优化:改进了数据库加载机制,减少了启动时的加载失败问题。
- 消息缓存上限调整:增加了消息缓存上限的配置选项,用户可以根据实际需求调整缓存数量。
通过这些更新,LiteLoaderQQNT-Anti-Recall 插件在功能和稳定性上都有了显著提升,为用户提供了更加完善的防撤回体验。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220