Bazzite项目在Steam Deck上解决Waydroid控制器输入失效问题
在Steam Deck OLED设备上运行Bazzite项目的GNOME版本时,用户可能会遇到Waydroid容器中游戏控制器输入失效的问题。具体表现为:当切换到游戏模式启动Waydroid时,虽然键盘、鼠标和触摸屏输入功能正常,但游戏手柄(包括摇杆和触控板)的输入却无法正常工作。
这个问题源于Waydroid容器对底层硬件事件的捕获机制存在缺陷。在默认配置下,Waydroid可能无法正确识别和处理来自Steam Deck控制器的输入事件。这会导致游戏模式下的手柄输入无法传递到Android容器内部。
经过技术分析,解决方案是修改Waydroid的系统属性配置。通过执行终端命令waydroid prop set persist.waydroid.uevent true,可以启用Waydroid对底层硬件事件的监听功能。这个设置会强制Waydroid捕获来自宿主系统的输入设备事件,包括游戏控制器信号。
该解决方案已在Steam Deck OLED设备上验证有效。修改属性后,用户需要重新启动Waydroid服务以使更改生效。值得注意的是,这个设置会持续保存在Waydroid的配置中,不需要每次启动都重新设置。
对于技术背景较浅的用户,可以这样理解:这个命令相当于打开了Waydroid和Steam Deck控制器之间的"通信开关",让Android系统能够接收到来自硬件控制器的输入信号。这种问题在容器化Android解决方案中较为常见,通常需要通过类似的底层配置调整来解决输入设备的兼容性问题。
建议遇到类似问题的用户,在应用此解决方案后,还可以尝试在Waydroid设置中检查输入设备配置,确保所有控制器功能都能正常工作。如果问题仍然存在,可能需要进一步检查Steam Deck的控制器配置或Waydroid的输入子系统日志。
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