c:geo 项目技术文档
1. 安装指南
1.1 获取源码
首先,你需要从GitHub上fork c:geo 项目的源码。不要直接克隆主仓库,而是要fork到你自己的仓库中。然后,你可以克隆你fork后的仓库到本地进行开发。
1.2 设置IDE
c:geo 项目使用 Android Studio 作为开发环境。你可以参考项目wiki中的IDE设置指南来配置你的开发环境。
1.3 安装依赖
在开始构建项目之前,你需要安装以下依赖:
- Android SDK:包括Google APIs(至少V26)、Google 仓库和Android支持仓库。
- Google USB Driver(仅限Windows用户):用于在智能手机上安装应用程序。
1.4 API 密钥
为了完整使用c:geo的功能,你需要获取一些API密钥,包括Google Maps和OpenCaching网站的密钥。你可以参考项目wiki中的API密钥获取指南来获取这些密钥。
1.5 构建项目
使用 gradlew 命令从项目根目录运行构建脚本。你可以使用 gradlew assembleBasicDebug 来开始构建。
2. 项目的使用说明
2.1 功能概述
c:geo 是一个开源的、功能齐全的、随时可用的非官方 geocaching.com 客户端。它还支持其他地理藏宝平台的基本功能。无需网页浏览器或导出,只需下载并直接使用。
2.2 贡献指南
如果你想为项目贡献代码,请先在issue tracker中告诉我们你的想法。项目中有一些适合新手的good first issues,你可以从这些任务开始。
3. 项目API使用文档
3.1 Google Maps API
为了使用Google Maps功能,你需要获取Google Maps API v2密钥。你可以参考Google Maps SDK for Android: Get an API Key来获取密钥。
3.2 OpenCaching API
c:geo 支持多个OpenCaching网站,你需要为每个网站获取相应的API密钥。你可以参考项目wiki中的OpenCaching API密钥获取指南来获取这些密钥。
4. 项目安装方式
4.1 使用Android Studio
在Android Studio中,你可以通过“Build” => “Make Project”来构建项目。构建成功后,你可以通过“Run” => “Run”将应用部署到设备或模拟器上进行测试。
4.2 使用命令行
你也可以通过命令行使用 gradlew assembleBasicDebug 来构建项目,并生成可安装的APK文件。
4.3 测试
项目的测试类位于 test 目录下。你可以通过Android Studio的“Run”菜单来运行或调试这些测试类。确保在模拟器或设备上配置了有效的geocaching.com账户,以便所有测试能够成功运行。
5. 许可证
c:geo 项目遵循 Apache License, Version 2.0 许可证。
6. 联系信息
- 网站: https://www.cgeo.org/
- 支持: support@cgeo.org
- Twitter: https://twitter.com/android_gc
- Facebook: https://www.facebook.com/android.geocaching
- Google Play: https://play.google.com/store/apps/details?id=cgeo.geocaching
- 实时状态: https://status.cgeo.org/
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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