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。
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