Lil' Debi 技术文档
1. 安装指南
Lil' Debi 是一个在 Android 手机上设置和管理 Debian 安装的应用。安装过程相对直观,只需运行应用并点击“安装...”按钮即可。但请注意,它并非在所有手机上都可正常工作。如果安装过程在您的手机上失败,您仍然可以通过下载预构建的 Debian 镜像来使用 Lil' Debi。
下载预构建的 Debian 镜像
- 下载 Debian 镜像文件。
- 解压文件并将其重命名为 'debian.img'。
- 将 'debian.img' 复制到您的 SD 卡。
- 启动 Lil' Debi 应用,此时按钮应显示为“启动 Debian”。点击按钮以启动您的 Debian 安装。
2. 项目使用说明
Lil' Debi 可以从零开始构建 Debian 安装,也可以使用现有的镜像。它管理着 Debian 安装的启动和停止。
- 使用 cdebootstrap 构建磁盘镜像作为 chroot 环境。
- 提供启动和停止方法,用于处理挂载、fsck、启动/停止 sshd 等。
3. 项目 API 使用文档
Lil' Debi 的 API 使用文档目前未提供详细说明。由于项目目前是非维护状态,建议查阅源代码以获取更多关于 API 的信息。
4. 项目安装方式
环境搭建
在 Debian/Ubuntu/Mint 等系统上:
sudo apt-get install autoconf automake libtool transfig wget patch \
texinfo ant make openjdk-7-jdk faketime
在 Mac OS X 上,您需要 Fink、MacPorts 或 Brew 来安装一些依赖项。同时,需要安装 GNU tar 和 faketime 以进行可重复的构建。
还需要安装 Android SDK 和 Android NDK:
- SDK: Android SDK
- NDK: Android NDK
构建过程
构建 Lil' Debi 是一个多步骤的过程,包括克隆源代码、获取 busybox 代码作为子模块、构建本地工具,最后构建 Android 应用。以下是所有这些步骤的命令行形式:
git clone https://github.com/guardianproject/lildebi
cd lildebi
git submodule init
git submodule update
make NDK_BASE=/path/to/your/android-ndk -C external assets
./setup-ant
ant debug
构建完成后,可以像安装其他 .apk 文件一样安装它。您可以在 bin/ 文件夹中找到 .apk 文件。通过终端安装的一个简单方式是运行:
adb install bin/LilDebi-debug.apk
确定性发布
为了提高构建确定性、可重复的 LilDebi APK,可以使用 faketime。这将确保构建过程中文件的时间戳总是相同的。
faketime "`git log -n1 --format=format:%ai`" \
ant clean debug
官方发布的构建过程是通过包含的 ./make-release-build 脚本来完成的。要重现官方发布,运行此脚本。但请注意,它会删除运行的 git 仓库中的所有更改,因此最好在干净的克隆中运行它。
NDK 构建选项
以下选项可以在 make 命令行中设置,以适应您的 NDK 构建:
NDK_BASE:指向您的 android-ndk 路径NDK_PLATFORM_LEVEL:7-17(例如 android-17)NDK_ABI:arm、mips、x86NDK_COMPILER_VERSION:4.4.3、4.6、4.7、clang3.1、clang3.2HOST:arm-linux-androideabi、mipsel-linux-android、x86
以上就是 Lil' Debi 的技术文档,希望对您有所帮助。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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