《Quelpa-use-package 安装与配置指南》
1. 项目基础介绍
Quelpa 是一个Emacs包管理器,它旨在简化Emacs配置的包安装过程。Quelpa-use-package 是Quelpa的一个扩展,它允许用户通过use-package宏来管理Quelpa安装的包。这个项目主要使用的是 Emacs Lisp 编程语言。
2. 项目使用的关键技术和框架
本项目使用的关键技术是 Emacs Lisp,这是Emacs的内置编程语言,用于编写Emacs扩展和配置。use-package 是Emacs中一个流行的宏,用于简化包的安装、配置和加载过程。Quelpa 本身是一个基于Emacs Lisp的框架,用于从源代码或elpa包中安装Emacs包。
3. 安装和配置准备工作及详细步骤
准备工作
- 确保你的系统中已经安装了Emacs。
- 确保你的Emacs版本至少是24.4,因为一些特性可能需要较新版本的Emacs。
- 准备一个网络连接,用于下载项目文件。
安装步骤
-
打开你的 Emacs 编辑器。
-
在Emacs中,按下
M-x(Alt+x),然后输入package-list-packages并按回车。这将打开包管理器界面。 -
在包管理器界面中,确保你已经安装了
package.el包管理器。 -
添加 Quelpa 的仓库到你的配置中。在
.emacs或.emacs.d/init.el文件中添加以下代码:(add-to-list 'package-archives '("melpa" . "https://melpa.org/packages/")) (package-initialize) -
安装 Quelpa。在Emacs中再次按下
M-x,然后输入package-install并按回车,搜索quelpa并安装它。 -
安装 Quelpa-use-package。同样使用
package-install命令,搜索quelpa-use-package并安装。 -
将以下配置代码添加到你的
.emacs或.emacs.d/init.el文件中,以启用Quelpa-use-package:(use-package quelpa :defer t :init (setq quelpa-update-melpa-p nil) (setq quelpa-checkout-melpa-p nil)) -
重新启动 Emacs 以使配置生效。
-
现在,你可以通过在 Emacs 中运行
M-x quelpa-use-package来安装和管理你的包。
按照这些步骤操作,你就可以成功安装和配置 Quelpa-use-package,开始使用它来管理你的Emacs扩展了。
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
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