PresentMon 2.3.1版本发布:帧率监测工具的全面升级
PresentMon是一款专业的Windows平台帧率监测工具,主要用于游戏和图形应用程序的性能分析。它能够捕获并记录应用程序的帧呈现数据,帮助开发者优化性能、诊断问题。最新发布的2.3.1版本带来了多项重要改进,特别是在帧率测量精度、GPU监控和安全架构方面。
帧率监测能力的显著提升
2.3.1版本引入了三种新型FPS覆盖指示器,为帧交付行为提供了更清晰的视图:
- FPS-Presents:测量帧被提交到GPU的频率
- FPS-Display:记录帧实际在屏幕上显示的速率
- FPS-App:通常与FPS-Presents相同,但在帧生成场景下会有所不同
这些指标特别有助于分析涉及帧生成技术的场景,如DLSS或FSR等超分辨率技术。开发者现在可以更精确地区分应用程序生成的帧数和实际显示的帧数,这对于性能优化和帧生成技术评估至关重要。
增强的GPU监控功能
新版本扩展了对GPU遥测数据的支持,目前主要针对Intel Arc Battlemage GPU系列,新增了以下关键指标:
- GPU有效频率
- GPU电压调节器温度
- GPU内存有效带宽
- GPU过压百分比
- GPU温度百分比
- GPU功率百分比
- GPU风扇转速百分比
- GPU卡总功率(整板功耗)
这些数据为硬件工程师和游戏开发者提供了更全面的GPU状态视图,有助于进行热设计评估和功耗优化。
时序数据与CSV支持的改进
2.3.1版本重新引入了多个时序指标到CSV输出中,包括:
- 帧呈现间隔时间(MsBetweenPresents)
- 显示变化间隔时间(MsBetweenDisplayChange)
- 呈现处理时间(MsInPresent)
- 渲染呈现延迟(MsRenderPresentLatency)
- 显示延迟(MsUntilDisplayed)
虽然MsBetweenSimulationStart和MsPCLatency目前仍处于禁用状态,但这些改进已经大大增强了性能分析的深度和广度。
架构与安全性的重大革新
本次更新对PresentMon的底层架构进行了重要重构:
- 权限模型优化:重新设计了多进程架构,使PresentMon可以在非管理员权限下运行,提高了安全性。
- 前端安全增强:确保Chromium UI前端即使在提升权限运行时也能以降低的完整性级别运行。
- 前端技术栈升级:从已停止维护的Vue.js 2和Vuex迁移到Vue.js 3和Pinia,提高了前端稳定性和安全性。
API与开发工具改进
2.3.1版本对开发者体验也做了多项优化:
- 通过部署PresentMonAPI.dll并采用动态加载模型,实现了二进制版本的稳定兼容性
- 新增Loader.dll和静态导入.lib,简化了API的发现和端点解析
- 增加了ETL修剪器实用程序(目前仅提供源代码),用于按时间戳范围修剪ETL文件并删除不必要的事件类型
实验性功能
新版本包含了一个有趣的实验性功能:能够向目标进程注入可执行代码,在鼠标点击时在游戏中绘制闪光效果。这一功能专为配合专业光学测量仪器使用而设计,可能用于输入延迟测量或人机交互研究。
性能优化与自定义选项
考虑到高帧率应用的需求,2.3.1版本将默认环形缓冲区大小增加到2048,并添加了命令行参数允许手动配置缓冲区大小。此外,还新增了CLI选项来禁用覆盖层alpha混合,这在某些情况下可以减少覆盖层对目标呈现时序的影响。
总结
PresentMon 2.3.1版本在帧率监测精度、GPU监控深度、系统安全性和开发者体验等方面都做出了重要改进。特别是新增的FPS指标和GPU遥测数据,为游戏开发者和硬件工程师提供了更全面的性能分析工具。架构上的安全改进使得工具更加可靠,而实验性功能的加入则展示了工具在专业测量领域的扩展潜力。这些改进共同使PresentMon继续保持在图形性能分析工具的前沿位置。
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