Immich-Go项目中Google Photos导出文件的兼容性处理
在照片管理工具Immich-Go中,开发者发现了一个关于Google Photos导出文件命名的兼容性问题。当用户从Android设备上的Google Photos导出照片时,系统会生成带有特殊前缀的文件名,这些文件被当前的过滤规则意外拦截。
技术背景方面,Immich-Go默认配置了文件过滤规则来阻止特定类型的文件。其中包含一个针对MacOS资源文件的过滤模式._*.*,这个模式原本是为了过滤MacOS系统在文件系统中自动生成的隐藏文件(如._DS_Store等)。然而这个过滤规则过于宽泛,导致Google Photos导出的照片文件也被错误过滤。
具体来说,当用户从Google Photos导出MP格式的照片(例如PXL_20210825_041449609.MP.jpg)时,系统会生成带有"exported"标记的新文件(如PXL_20210825_041449609.exported_699_1629864935.jpg)。由于这个文件名包含"."前缀,触发了Immich-Go的默认过滤规则。
开发者通过分析发现,简单地放宽过滤规则可能会带来其他问题。完全移除._*.*过滤会导致MacOS系统文件被意外导入,这不是期望的行为。因此,解决方案需要既能保留对MacOS系统文件的过滤,又能允许Google Photos的导出文件通过。
在技术实现上,Immich-Go团队通过优化过滤规则逻辑解决了这个问题。新的实现确保能够精确区分真正的MacOS系统文件和Google Photos的导出文件。这个改进已经合并到代码库中,并将在下一个版本发布。
对于终端用户而言,这个改进意味着:
- 从Google Photos导出的照片现在可以正常导入到Immich-Go中
- 系统仍然保持对MacOS隐藏文件的过滤功能
- 不需要用户手动调整任何配置
这个案例展示了文件管理工具在处理不同平台文件命名规范时面临的挑战,也体现了Immich-Go团队对用户体验细节的关注。通过精确调整过滤规则,既保持了系统的安全性,又提高了对不同平台文件的兼容性。
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