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。
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
项目优选
kernel
docs
cangjie_compiler
flutter_flutter
nop-entropy
openHiTLS
RuoYi-Vue3
pytorchcangjie_tools
ops-math