auto-cpufreq 在 Fedora 41 上与 Tuned 服务的冲突解决方案
在 Fedora 41 系统中,用户报告了一个常见问题:安装 auto-cpufreq 后,服务无法在系统重启后自动启动。这个问题主要源于 Fedora 41 默认启用了 Tuned 服务作为新的电源管理守护进程,与 auto-cpufreq 产生了冲突。
问题背景
Fedora 41 引入了一个重要变更:用 Tuned 服务替代了之前的 power-profiles-daemon 作为默认的电源配置文件管理守护进程。这一变更导致 auto-cpufreq 服务在系统启动时无法正常自动运行,尽管服务状态显示为已启用(enabled)。
根本原因分析
Tuned 是 Fedora 系统的动态系统调优守护进程,它会主动管理系统性能设置,包括 CPU 频率调节。当 Tuned 服务运行时,它会接管 CPU 频率管理,阻止 auto-cpufreq 正常工作。这种冲突表现为:
- 系统重启后 auto-cpufreq 服务处于 inactive 状态
- 需要手动执行 systemctl start 命令才能启动服务
- CPU 频率调节功能无法自动生效
解决方案
目前有三种可行的解决方法:
方法一:完全移除 Tuned 服务
执行以下命令彻底移除 Tuned:
sudo dnf remove tuned
这种方法简单直接,但会永久移除 Fedora 的电源管理功能。
方法二:仅禁用 Tuned 服务
更推荐的方法是仅禁用而不移除 Tuned:
sudo systemctl disable --now tuned
这样保留了 Tuned 的安装,只是禁用了它的自动启动,未来需要时可以重新启用。
方法三:使用最新版 auto-cpufreq
开发团队已经提交了代码更新,在最新版本的 auto-cpufreq 中会自动检测并处理与 Tuned 的冲突。用户可以通过以下步骤获取最新代码:
- 克隆最新仓库
- 按照标准安装流程重新安装
- 安装程序会自动处理 Tuned 服务的冲突问题
技术实现细节
在代码层面,解决方案是增加了对 Tuned 服务的检测和处理逻辑:
- 新增函数检测 Tuned 服务状态
- 在安装过程中自动停止 Tuned 服务
- 在移除 auto-cpufreq 时恢复 Tuned 服务
- 确保两个服务不会同时运行产生冲突
这种实现方式类似于之前处理 GNOME Power Profiles 冲突的机制,保持了代码的一致性和可维护性。
最佳实践建议
对于 Fedora 41 用户,建议采取以下步骤:
- 首先尝试更新到最新版 auto-cpufreq
- 如果问题仍然存在,临时禁用 Tuned 服务
- 仅在必要时才考虑完全移除 Tuned
- 监控系统电源管理效果,确保达到预期性能
对于开发者而言,这个案例提醒我们在开发系统工具时需要充分考虑不同发行版的默认服务差异,实现更健壮的冲突检测和处理机制。
总结
Fedora 41 的电源管理架构变更带来了与 auto-cpufreq 的兼容性问题,但通过简单的服务管理或软件更新即可解决。理解系统服务之间的交互关系对于解决这类冲突至关重要,也体现了 Linux 系统管理的灵活性。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00