innoextract 技术文档
本文档旨在帮助用户安装和使用 innoextract 工具,详细介绍了安装指南、使用说明以及项目 API 使用文档。
1. 安装指南
依赖关系
在安装 innoextract 之前,需要确保以下依赖项已正确安装:
对于 Boost,需要其头文件以及 iostreams、filesystem、date_time、system 和 program_options 库。较旧的 Boost 版本可能也可以工作,但不受官方支持。boost::iostreams 库需要与 zlib 和 bzip2 支持一起构建。
虽然可以手动设置 -DUSE_LZMA=OFF 来禁用 liblzma,但强烈建议不要这样做,因为没有它,将无法提取大多数使用较新 Inno Setup 版本创建的安装程序。
此外,构建 innoextract 还需要 CMake 2.8 和一个工作正常的 C++ 编译器,以及 liblzma 和 Boost 的开发头文件。
编译与安装
要编译 innoextract,请运行以下命令:
mkdir -p build && cd build
cmake ..
make
要将二进制文件系统范围安装,请以 root 用户身份运行以下命令:
make install
默认构建设置适用于普通用户。如果您计划对 Arx Libertatis 进行更改,应在 cmake 命令后添加 -DDEVELOPER=1 选项,以启用调试输出和快速增量构建。
2. 使用说明
innoextract 工具用于提取 Inno Setup 创建的安装程序,而无需在非 Windows 系统上运行实际的安装程序。要提取一个安装文件到当前目录,请运行:
innoextract <file>
要获取 innoextract 的可用选项列表,请运行:
innoextract --help
文档还以手册页的形式提供:
man 1 innoextract
3. 项目 API 使用文档
innoextract 的 API 使用文档目前不提供,因为它主要是作为一个命令行工具使用,而不是一个库。
4. 项目安装方式
innoextract 的安装方式已在“安装指南”部分详细说明。以下是简要步骤:
- 确保所有依赖项已安装。
- 创建构建目录并进入。
- 使用
cmake配置项目。 - 运行
make命令编译项目。 - 使用
make install命令安装编译后的二进制文件。
请按照上述指南进行操作,以成功安装和使用 innoextract。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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