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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C040
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0120
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