auto-cpufreq 2.5.0版本发布:CPU性能与能耗管理新突破
项目简介
auto-cpufreq是一个开源的Linux系统工具,专注于优化CPU性能和功耗管理。它通过动态调整CPU频率和电源策略,在保证系统性能的同时降低能耗,特别适合笔记本电脑用户。该项目采用Python编写,支持多种Linux发行版,能够与systemd、TuneD等系统组件协同工作。
2.5.0版本核心更新
新增EPB(能源性能偏好)支持
本次更新最重要的特性是增加了对EPB(Energy Performance Bias)设置的支持。EPB是Intel CPU提供的一项电源管理功能,允许用户在性能与能耗之间进行更精细的权衡。通过控制EPB,用户可以:
- 在需要高性能时选择偏向性能的模式
- 在电池供电时选择更节能的模式
- 在平衡模式下获得性能与能耗的折中
auto-cpufreq现在能够根据系统状态自动调整EPB设置,这是对现有CPU频率调节功能的重要补充。
硬件监控改进
修复了AMD处理器传感器监控错误的问题,现在能够正确识别和监控AMD CPU的温度和功耗数据。这一改进使得AMD用户也能获得准确的系统状态监控和基于温度的频率调节。
系统兼容性增强
Fedora 41支持
新增了对即将发布的Fedora 41的TuneD支持。TuneD是Fedora/RHEL系发行版的性能调优守护进程,auto-cpufreq现在能够更好地与之协同工作,避免配置冲突。
改进的TuneD检测机制
优化了TuneD服务的检测逻辑,现在能够更可靠地判断TuneD是否正在运行,并据此调整自身行为,确保系统电源管理策略的一致性。
系统服务管理优化
systemd服务改进
对systemd服务单元文件进行了优化,包括:
- 更合理的服务依赖关系定义
- 改进的服务启动顺序控制
- 增强的服务状态监控
- 更完善的错误处理机制
这些改进使得auto-cpufreq作为系统服务运行时更加稳定可靠。
权限问题修复
解决了安装(--install)、移除(--remove)以及cpufreqctl.auto-cpufreq脚本执行时的权限问题。现在这些操作能够正确地在需要时获取root权限,避免因权限不足导致的操作失败。
构建系统改进
Nix构建修复
针对Nix包管理器的构建过程进行了多项修复:
- 解决了prevent-install-and-copy.patch补丁的应用问题
- 改进了Nix构建的可靠性
- 确保在Nix环境下能够正确安装和运行
这使得使用Nix包管理器的用户能够更顺利地安装和使用auto-cpufreq。
使用建议
对于新用户,建议在安装后查看文档中关于energy_perf_bias默认设置的说明,了解如何根据自身需求调整EPB参数。AMD用户应注意此版本修复了传感器监控问题,可能需要重新校准期望的温度阈值。
系统管理员应关注systemd服务管理的改进,可能需要更新现有的服务配置文件以充分利用新版本的优化特性。
总结
auto-cpufreq 2.5.0版本在电源管理功能深度和系统兼容性方面都有显著提升。EPB支持的加入使得工具能够进行更精细的能耗管理,而各项系统集成改进则提高了工具的稳定性和可靠性。这些更新进一步巩固了auto-cpufreq作为Linux系统CPU性能优化首选工具的地位。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00