RomM v3.7.0 版本发布:游戏收藏管理系统的重大更新
RomM 是一个开源的 ROM 游戏收藏管理系统,它帮助游戏爱好者高效地组织、管理和游玩他们的游戏收藏。作为一个全栈解决方案,RomM 提供了从游戏元数据获取、文件管理到网页端直接游玩的全套功能。
国际化支持与多语言界面
RomM v3.7.0 首次引入了完整的国际化(i18n)支持,系统现在提供包括英语、西班牙语、法语、德语、葡萄牙语、俄语、韩语和中文在内的多语言界面。这一特性通过 Vue I18n 实现,采用了 JSON 格式的语言文件,使得社区贡献新的语言翻译变得简单直接。
技术实现上,前端组件中的静态文本被提取到翻译文件中,动态内容则通过 API 返回的本地化字段处理。特别值得注意的是,团队实现了复数形式的正确处理,解决了不同语言在复数表达上的差异问题。
OpenID Connect 认证集成
新版本增加了对 OpenID Connect(OIDC)协议的支持,允许与主流身份提供商如 Authentik、Authelia 或 Keycloak 集成。这一功能通过 Python 的 authlib 库实现,支持标准的 OAuth2 授权码流程。
实现细节包括:
- 动态客户端注册(可选)
- JWT 令牌验证
- 用户声明映射
- 自动用户创建机制
- 会话管理
安全方面特别处理了状态参数和 nonce 值,防止 CSRF 和重放攻击。系统管理员可以通过环境变量灵活配置 OIDC 参数,包括作用域请求和声明映射。
平台与收藏集自定义功能增强
平台和收藏集管理界面进行了全面重构,新增了多项自定义选项:
- 显示名称覆盖:允许为平台设置自定义名称,不影响原始标识符
- 封面图比例控制:可调整平台和收藏集的封面显示比例
- 信息面板:集中展示平台/收藏集元数据和统计信息
- 批量操作:改进的多选和批量处理功能
技术实现上,这些功能利用了 Vue3 的组合式 API,前端状态管理与后端 PostgreSQL/MySQL 数据库保持同步。特别优化了封面图的缓存机制,减少重复请求。
主页个性化与用户体验改进
v3.7.0 对用户界面进行了多项增强:
- 继续游玩板块:自动记录用户在 EmulatorJS 中的游戏进度
- 布局设置:新增网格/列表视图切换选项
- 404页面:定制化的错误页面设计
- 搜索功能:升级为全屏视图,改进搜索体验
前端性能方面,团队优化了虚拟滚动列表,减少了大型游戏库的渲染压力。同时引入了更精细的加载状态指示器,提升用户感知性能。
技术架构升级
数据库支持扩展
除了原有的 SQLite,新版本实验性支持 PostgreSQL 数据库。这一变化涉及:
- SQL 方言处理
- 迁移脚本适配
- 连接池优化
- 事务隔离级别调整
团队特别处理了不同数据库在 ALTER TABLE 操作上的差异,确保迁移过程平滑。
Docker 镜像优化
发布策略调整为提供两种镜像变体:
- 标准镜像:包含完整 EmulatorJS 核心
- Slim 镜像:轻量级基础,运行时按需获取核心
Slim 镜像体积减少约 60%,适合资源受限环境。构建过程优化了层缓存策略,加快 CI/CD 流水线。
错误监控集成
新增 Sentry 错误报告支持,关键特性包括:
- 前端错误跟踪
- 性能监控
- 发布跟踪
- 用户反馈收集
实现上采用前后端分离的 SDK 集成,确保敏感信息不会泄露。
游戏兼容性增强
- 3DS 游戏支持:新增 .cia 文件的安装功能,方便用户直接使用
- PSP 实验性模拟:集成 PPSSPP 核心,需要特殊反向代理配置
- 核心更新:EmulatorJS 升级至 4.2.0 版本
特别值得注意的是,3DS 功能实现了分段生成算法,优化了大文件的传输效率。
性能优化与质量改进
- 扫描加速:改进的哈希计算和批量数据库查询
- 缓存策略:异步缓存应用于 IGDB 接口
- 类型安全:全代码库的 TypeScript 和 Python 类型提示增强
- 日志完善:关键操作如游戏下载的审计日志
后端特别优化了 SQLAlchemy 的查询模式,减少了 N+1 查询问题。前端则实现了更精细的按需加载策略。
总结
RomM v3.7.0 代表了项目发展的重要里程碑,在认证集成、国际化支持和用户体验等方面都有显著提升。技术架构上对容器化和数据库支持的改进为大规模部署奠定了基础。游戏兼容性的增强进一步扩大了系统的适用范围。这些变化使得 RomM 成为一个更成熟、更灵活的游戏收藏管理解决方案。
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