MangoHud 0.8.0版本发布:游戏性能监控工具的重大更新
MangoHud是一款开源的游戏性能监控工具,主要用于在Linux平台上实时显示游戏的FPS、CPU/GPU使用率、温度、内存占用等关键性能指标。它支持Vulkan和OpenGL游戏,可以覆盖在游戏画面上方,帮助玩家和开发者监控系统资源使用情况,优化游戏性能。
排除列表功能增强
新版本增加了对Ubisoft Store(UplayWebCore.exe)、halloy(IRC客户端)和Plutonium Launcher(plutonium.exe等程序的排除列表支持。这意味着当这些程序运行时,MangoHud将不会自动加载,避免了在这些不需要监控的程序上显示性能指标。
重要问题修复
0.8.0版本修复了多个关键问题:
- 配置文件读取逻辑改进,现在能正确覆盖配置选项
- 解决了日志系统在某些情况下可能导致的崩溃问题
- 修复了平均FPS的双重记录问题
- 改进了NVIDIA显卡支持,当nvml和xnvctrl都不可用时会有明确警告
- 修复了mangoapp对HUD显示/隐藏命令的响应问题
- 增加了对32位xkbcommon的依赖支持
- 为openSUSE系统添加了缺失的依赖项
- 实现了正确的垂直同步(VSync)支持
- 重构了FPS计算逻辑,使其更加准确
- 修复了水平模式下exec、网络连接、GPU和VRAM显示不正确的问题
功能改进与新增特性
多GPU支持
新版本最重要的改进之一是支持显示多个GPU的性能数据。默认情况下,MangoHud会显示所有检测到的GPU信息。用户可以通过gpu_list或pci_dev参数选择要监控的特定GPU。
Intel GPU支持
0.8.0版本新增了对Intel显卡的支持,包括集成显卡和独立显卡(i915和xe驱动)。需要注意的是:
- 温度监控需要Linux 6.13+内核
- 集成显卡不支持温度和功耗监控
- VRAM和GPU使用率是基于进程而非系统范围的(系统范围监控需要root权限)
内存使用监控重构
内存使用监控进行了重构,使其与其他应用程序的监控方式保持一致,提供更准确的系统内存使用情况。
OpenGL Shim改进
OpenGL Shim现在会优先加载,而不是直接加载OpenGL库。它会先检查是否存在OpenGL上下文再进行hook,这一改进解决了许多崩溃问题。
执行命令改进
当在Steam运行时环境中使用exec命令时,现在会通过steam-runtime-launch-client启动命令。对于Flatpak用户,需要允许应用程序访问org.freedesktop.Flatpak DBus地址才能正常使用此功能。
新增配置参数
0.8.0版本引入了几个新的配置参数:
network_color- 设置网络连接监控元素的显示颜色display_server- 显示当前使用的显示服务器类型(Xorg/Xwayland/Wayland)gpu_list- 指定要显示的GPU列表(如gpu_list=0,1)- 改进了
proc_mem和io_read在gamescope中的支持
架构调整
- DLSYM现在默认启用,可以通过设置
MANGOHUD_DLSYM=0禁用 - 移除了mangoapp Vulkan层(这是一个测试项目,已停止开发)
- 改进了Wayland下的键盘绑定支持
- 日志系统错误信息调整为调试级别
- 日志中新增了CPU功耗记录
总结
MangoHud 0.8.0版本带来了多项重要改进,特别是多GPU支持和Intel显卡支持大大扩展了工具的适用范围。性能监控的准确性和稳定性也得到了显著提升。对于Linux游戏玩家和开发者来说,这是一个值得升级的版本,能够提供更全面、更可靠的系统性能监控体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00