Prowlarr v1.36.3.5071版本发布:索引器管理与搜索功能优化
Prowlarr是一个专为媒体服务器设计的索引器管理工具,它能够帮助用户集中管理各种索引器,并将这些索引器无缝同步到Sonarr、Radarr、Lidarr等媒体管理应用中。作为Sonarr生态中的重要组成部分,Prowlarr简化了索引器的配置和管理流程,为用户提供了统一的控制界面。
本次发布的v1.36.3.5071版本带来了一系列功能改进和问题修复,主要集中在搜索功能优化和索引器同步机制上。下面我们将详细解析这次更新的主要内容。
核心功能改进
搜索页面字符跳转功能修复
开发团队修复了搜索页面中的字符跳转功能,这一功能允许用户快速定位到特定字母开头的搜索结果。在之前的版本中,该功能可能存在跳转不准确或失效的问题,现在已得到彻底修复,提升了用户在大规模搜索结果中的导航效率。
索引器同步机制优化
本次更新对索引器同步到Lidarr和Readarr的机制进行了重要改进:
-
基础搜索同步:现在即使只支持基础搜索的索引器也能正确同步到Lidarr和Readarr应用,解决了之前版本中部分索引器无法同步的问题。
-
搜索可用性检查:系统现在会严格检查索引器的搜索功能是否可用,只有确认可用的索引器才会被同步到其他媒体管理应用,避免了无效索引器的同步。
特定索引器功能增强
PTP(PassThePopcorn)改进
针对PTP这个流行的私人索引器,本次更新带来了多项改进:
-
API凭证下载:修复了使用API凭证下载种子文件的功能,确保认证流程更加可靠。
-
分类映射:优化了搜索结果中的分类映射关系,使分类显示更加准确。
-
时间排序:修正了按添加时间排序发布内容的功能,现在可以正确显示最新添加的资源。
-
默认限速设置:为PTP索引器添加了每小时请求限制的默认值,防止因请求过多导致账户受限。
技术架构升级
在底层技术栈方面,本次更新包含了多项依赖库升级:
-
核心JS库:升级了core-js到3.42版本,带来了更好的JavaScript兼容性和性能优化。
-
前端框架:更新了Babel、FontAwesome图标库、React相关组件(react-use-measure、react-virtualized和react-window)等前端依赖,提升了用户界面的响应速度和稳定性。
-
构建工具:增强了构建过程的健壮性,现在如果测试结果缺失将会导致构建失败,确保发布质量。
错误修复与稳定性提升
-
用户代理解析:修复了在解析不带版本号的用户代理字符串时可能出现的异常问题。
-
HTTP超时处理:改进了HTTP请求超时的错误处理机制,现在能更准确地捕获和报告超时异常。
-
BHD API响应:优化了当BeyondHD(BHD)的API返回HTML内容时的错误提示信息,使问题诊断更加直观。
-
通知系统:清理了AppriseProxy中的日志消息,使系统通知相关的日志更加清晰易读。
多语言支持
开发团队持续完善多语言支持,本次更新包含了由Weblate平台贡献的多个翻译更新,进一步提升了非英语用户的使用体验。
升级注意事项
对于使用Docker容器的用户,需要注意必须更新容器镜像,而不是尝试在现有容器内更新Prowlarr。非Docker安装的用户如需接收后续更新,需要将分支设置为master(通过设置->常规->更新->分支进行配置)。
这次更新体现了Prowlarr团队对用户体验的持续关注和技术架构的不断优化,特别是在索引器管理和搜索功能方面的改进,将显著提升用户在日常使用中的效率和稳定性。
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