RomM游戏库管理系统3.10.0-beta版本发布:新增复古成就系统与多项优化
RomM是一款开源的跨平台游戏库管理系统,它能够帮助游戏爱好者高效地组织、管理和游玩各类游戏ROM。作为一个现代化的游戏库解决方案,RomM提供了游戏元数据管理、多平台支持、云同步等核心功能,特别适合复古游戏爱好者和模拟器用户使用。
本次发布的3.10.0-beta版本带来了多项重要更新,其中最引人注目的是新增的Retroachievements(复古成就系统)集成功能,让用户在游玩经典游戏时也能获得现代游戏般的成就体验。此外,该版本还包含了多项用户体验改进、性能优化和安全增强。
Retroachievements复古成就系统集成
Retroachievements是一个为复古游戏设计的成就系统,类似于现代游戏平台上的成就/奖杯系统。RomM 3.10.0-beta版本深度集成了这一功能,为经典游戏注入了新的活力。
要启用这一功能,用户需要:
- 在环境变量中添加RETROACHIEVEMENTS_API_KEY
- 对目标平台执行部分扫描以匹配Retroachievements数据
- 在个人资料设置中添加RA用户名并同步
- 在游戏详情页的"个人"标签下即可查看相关成就信息
系统会缓存RA数据库以减少不必要的API调用,缓存刷新周期可通过REFRESH_RETROACHIEVEMENTS_CACHE_DAYS环境变量进行配置。
用户体验增强
游戏筛选功能升级
新增了"仅显示可玩"和"仅显示支持成就"的筛选选项,让用户能快速找到符合特定条件的游戏。同时支持按文件大小排序游戏,方便管理存储空间。
界面交互优化
增加了3D卡片倾斜效果的开关选项,用户可以根据个人喜好调整界面动效。平台分组选项也被添加到抽屉菜单中,提升导航效率。
删除操作改进
在删除对话框中加入"同时排除"选项,避免已删除的游戏在后续扫描中重新出现。
账号与安全功能
密码恢复与邀请注册
新增了密码恢复功能,解决了用户忘记密码时的痛点。同时支持通过邀请链接注册,便于管理员控制用户增长。
OIDC改进
修正了使用OIDC(OpenID Connect)时的用户创建逻辑,提升了第三方认证的可靠性。
性能与稳定性提升
资源管理优化
通过多项措施降低了内存使用量,特别是在处理大型游戏库时表现更为稳定。同时统一了日志系统,便于问题排查。
文件系统重构
重新设计了assets目录结构,特别是针对存档和状态的存储路径进行了调整。这一变更需要用户在升级前备份/romm/assets目录和数据库。
错误处理增强
改进了图像读取失败时的处理逻辑,提升了扫描过程的健壮性。同时修复了iOS设备上的全屏播放问题。
其他改进
新增了服务器统计页面,让管理员能直观了解系统资源使用情况。浏览器标签现在会显示适当的标题,提升了多标签浏览体验。还增加了ROMM_BASE_URL环境变量,确保Docker日志中的链接正确显示。
总结
RomM 3.10.0-beta版本通过引入Retroachievements集成,为复古游戏体验增添了新的维度。配合多项用户体验优化和性能改进,这个版本进一步巩固了RomM作为专业游戏库管理解决方案的地位。对于追求完美游戏库管理的用户来说,这次升级提供了更多个性化选项和更稳定的使用体验。
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