Augustus项目中的屏幕分辨率与游戏速度设置问题解析
2025-07-09 20:19:33作者:羿妍玫Ivan
问题背景
在经典城市建设模拟游戏《Caesar III》的开源重制项目Augustus中,部分用户遇到了游戏设置无法保存的问题。具体表现为:游戏分辨率和速度设置无法在重启后保持,每次启动都会恢复默认值。本文将深入分析这一问题的成因及解决方案。
问题现象
用户报告了两个主要问题:
- 游戏速度设置:无论选择何种速度(基础速度、70%或300%),游戏启动后总是恢复为70%速度,但设置界面仍显示用户之前的选择。
- 分辨率设置:当用户设置特定分辨率(如1600x900)后,游戏能够正常适应,但退出后重启会恢复默认的640x360分辨率。
技术分析
游戏速度设置的实现机制
经过开发团队确认,游戏速度在加载存档时固定设置为70%是有意设计的行为。这一设计目的是为了避免玩家在加载游戏后因意外的高速游戏而措手不及。虽然设置界面会显示用户上次选择的速度值,但实际游戏速度会在每次加载时重置为70%。
分辨率设置的保存问题
分辨率设置无法保存的根本原因是文件写入权限不足。当Augustus安装在系统保护目录(如Program Files)时,Windows会限制程序对配置文件的写入操作。具体表现为:
- 游戏尝试将用户设置写入配置文件时被系统阻止
- 每次启动时游戏只能读取默认配置
- 设置界面仍显示用户上次的选择(因为这部分信息保存在内存中)
解决方案
游戏速度问题
这是预期行为,不需要修复。开发者建议玩家:
- 理解这是为防止意外高速游戏的设计
- 加载游戏后手动调整到期望的速度
分辨率问题
有两种可行的解决方案:
-
更改安装位置:
- 将Augustus游戏文件夹移动到非系统目录(如用户文档或桌面)
- 确保新位置有完整的读写权限
-
以管理员身份运行:
- 右键点击Augustus可执行文件
- 选择"以管理员身份运行"
- 这样程序就能获得必要的写入权限
全屏模式注意事项
部分用户混淆了全屏模式与分辨率设置的关系:
- 全屏模式会覆盖分辨率设置
- 取消勾选全屏模式后,自定义分辨率才能生效
- 建议先设置期望的分辨率,再根据需要启用全屏
最佳实践建议
- 将游戏安装在用户有完全控制权的目录
- 首次运行后检查设置是否保存成功
- 如需技术支持,提供augustus-log.txt文件内容
- 理解游戏速度重置是安全设计,非缺陷
总结
Augustus项目作为经典游戏的开源实现,在保留原版游戏体验的同时也引入了一些改进设计。理解这些设计意图和系统权限机制,能够帮助玩家更好地配置和享受游戏体验。遇到类似问题时,检查文件权限和安装位置通常是首要的排查步骤。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322