Romm项目v3.7.2版本发布:游戏管理平台的重要更新
Romm是一个开源的复古游戏管理平台,它可以帮助游戏爱好者整理、管理和游玩各种复古游戏。作为一个现代化的游戏库管理系统,Romm提供了游戏元数据管理、封面艺术展示、游戏模拟运行等功能,让用户可以方便地构建自己的数字游戏收藏库。
核心功能更新
本次发布的v3.7.2版本带来了多项重要改进,主要集中在游戏模拟体验和用户界面优化方面。
模拟器引擎升级
项目将内置的EmulatorJS模拟器引擎升级到了v4.2.1版本。这一更新特别针对NeoGeo AES和MVS游戏进行了优化,现在这些经典街机游戏可以在平台上正常运行了。对于复古游戏爱好者来说,这意味着能够更流畅地体验这些经典作品。
游戏管理界面改进
在用户界面方面,开发团队对游戏库的表格视图进行了重新设计。新的表格视图增加了更适合游戏排序的列,使玩家能够更高效地浏览和管理自己的游戏收藏。这种改进特别适合拥有大量游戏的用户,帮助他们更快地找到特定游戏。
用户账户与安全增强
登录方式优化
新版本引入了DISABLE_USERPASS_LOGIN环境变量,当平台使用OIDC(OpenID Connect)认证时,可以通过这个设置禁用传统的用户名/密码登录字段和端点。这一改进增强了系统的安全性,特别是在企业部署场景下。
OIDC认证改进
针对OIDC认证,v3.7.2版本修复了多个问题并增加了新功能:
- 新增了
OIDC_TLS_CACERTFILE环境变量,允许指定挂载的证书文件路径,用于加密的OIDC登录 - 改进了OIDC邮箱验证检查机制
- 修复了当OIDC服务器应用URL带有尾部斜杠时可能导致的失败问题
这些改进使得使用外部身份提供商的登录体验更加稳定可靠。
游戏体验优化
继续播放功能控制
新版本在游戏卡片菜单中增加了一个选项,允许用户将特定游戏从首页的"继续播放"部分移除。这个功能让用户能够更好地控制自己的游戏进度展示,保持首页的整洁性。
游戏标题格式化
开发团队改进了游戏标题的格式化处理,现在版本切换器能够正确显示游戏的修订版本信息。这对于拥有多个版本游戏的收藏者来说特别有用。
技术架构改进
数据库兼容性
v3.7.2版本修复了在使用实验性PostgreSQL数据库时的一些错误,特别是改进了对JSON包含函数的正确处理。这使得平台在数据库选择上更加灵活。
前端优化
项目移除了SASS库的依赖,简化了前端构建过程。同时增加了对WebGL的检测功能,在测试EmulatorJS支持时会先检查WebGL可用性,确保模拟器能够正常运行。
多语言支持
本次更新还增加了对德语语言的支持,使平台能够服务更广泛的用户群体。
总结
Romm v3.7.2版本虽然在版本号上是一个小更新,但包含了多项实质性的改进,特别是在游戏模拟体验、用户界面和系统安全性方面。这些变化使得这个开源游戏管理平台更加稳定、易用和安全,为复古游戏爱好者提供了更好的数字收藏管理体验。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
pc-uishopTNT开源商城系统使用java语言开发,基于SpringBoot架构体系构建的一套b2b2c商城,商城是满足集平台自营和多商户入驻于一体的多商户运营服务系统。包含PC 端、手机端(H5\APP\小程序),系统架构以及实现案例中应满足和未来可能出现的业务系统进行对接。Vue00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01