subs-check项目v1.0.1版本发布:增强订阅检测能力与Docker支持
subs-check是一个专注于订阅链接检测与管理的开源工具,它能够帮助用户快速验证订阅链接中的节点可用性,并生成相应的检测报告。该项目采用Go语言开发,具有跨平台特性,能够运行在多种操作系统和架构上。
版本亮点
本次发布的v1.0.1版本带来了多项重要改进和新功能:
-
Docker镜像支持:新增了Docker镜像构建功能,使得用户可以通过容器化方式更便捷地部署和使用subs-check工具。这一改进特别适合需要在不同环境中快速部署的场景。
-
HTTP服务器功能:引入了内置HTTP服务器,为工具提供了Web接口能力,为未来可能的可视化界面或远程调用奠定了基础。
-
Base64文件生成:新增了生成Base64编码文件的功能,这一特性对于需要将检测结果以编码形式存储或传输的场景特别有用。
-
节点连通性日志优化:修复了之前版本中无法联通的节点可能导致无日志输出的问题,现在所有节点的检测结果都会正确记录,提高了工具的可靠性。
技术实现细节
subs-check在v1.0.1版本中继续保持了其轻量级和高效率的特点。工具采用Go语言编写,充分利用了Go的并发特性来实现高效的节点检测。新加入的HTTP服务器功能基于Go标准库中的net/http包实现,确保了高性能和稳定性。
Docker支持方面,项目提供了官方镜像,用户可以直接拉取使用,无需自行编译。这一改进大大降低了使用门槛,特别是对于不熟悉Go编译环境的用户。
跨平台支持
subs-check继续保持了对多种平台和架构的广泛支持,包括:
- macOS系统(aarch64和x86_64架构)
- Linux系统(aarch64、armv7、i386和x86_64架构)
- Windows系统(aarch64、i386和x86_64架构)
每种平台都提供了压缩包格式的预编译二进制文件,用户可以根据自己的系统环境选择合适的版本下载使用。
使用建议
对于普通用户,建议根据自己使用的操作系统下载对应的预编译版本。对于希望在容器环境中使用的用户,可以直接使用新提供的Docker镜像。系统管理员可以考虑将subs-check集成到自动化运维流程中,利用其HTTP接口实现定时检测和告警功能。
未来展望
从v1.0.1版本的更新可以看出,subs-check正在向更易用、更强大的方向发展。HTTP服务器的加入为未来的Web界面或API扩展提供了可能,而Docker支持则让部署更加灵活。期待在后续版本中看到更多关于结果可视化、批量处理和高级过滤功能的增强。
对于需要管理大量订阅链接或节点的用户来说,subs-check提供了一个轻量级但功能完备的解决方案,值得持续关注和使用。
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