MiSTer项目中的Neo Geo游戏延迟问题分析与解决方案
背景介绍
在MiSTer FPGA平台上运行修改版的《拳皇94》游戏时,开发者遇到了明显的输入延迟和图形显示问题。这个问题特别有趣,因为它揭示了Neo Geo硬件模拟中一个关键的技术细节——等待状态(Wait States)的实现。
问题现象
修改版的《拳皇94》在以下环境中表现不同:
- 真实Neo Geo硬件配合NeoSD闪存卡:运行正常无延迟
- 旧版MiSTer固件(v230223):运行基本正常
- 新版MiSTer固件(v240505):出现明显输入延迟和顶部图形噪点
技术分析
问题的根源在于Neo Geo原版《拳皇94》卡带使用了慢速ROM,因此需要启用等待状态。等待状态是处理器在访问较慢存储器时插入的额外时钟周期,确保数据能够正确读取。
当修改版游戏使用与原版相同的ID(0x55)时,MiSTer会按照原版配置启用等待状态,导致性能下降。而NeoSD闪存卡可能没有正确实现等待状态机制,使得游戏能够全速运行,但同时也可能导致某些图形问题。
解决方案
开发者发现了两种可行的解决方案:
-
修改游戏ID:为修改版游戏分配一个新的ID,避免MiSTer自动启用等待状态。这种方法能恢复游戏运行速度,但可能引入图形问题。
-
优化游戏代码适应等待状态:通过调整游戏代码,使其能够在启用等待状态的环境下正常运行。这是更彻底的解决方案,最终开发者选择了这种方法,成功发布了1.3.1版本。
深入探讨
进一步的测试发现,NeoSD闪存卡可能普遍没有实现等待状态机制。这一点通过测试《忍者指挥官》游戏得到了验证——该游戏在NeoSD上也会出现特定的图形问题,这些问题在启用等待状态的环境中不会出现。
《拳皇94》还有一个确定性的图形问题可以作为测试用例:胜利台词显示时的闪烁。这种现象在NeoSD和禁用等待状态的MiSTer上会出现,但在启用等待状态的MiSTer和原版卡带上则不会出现。
结论
这个案例展示了FPGA模拟中硬件精确性的重要性。等待状态这种看似微小的细节,实际上对游戏性能和正确性有着显著影响。对于希望开发Neo Geo修改版游戏的开发者来说,理解并正确处理等待状态机制是确保游戏在各种平台上正常运行的关键。
同时,这也提醒我们,不同的闪存卡解决方案可能在硬件模拟精确度上存在差异,开发时需要针对不同平台进行充分测试。
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