Pwnagotchi 2.9.4版本更新解析:蓝牙网络共享与系统优化
Pwnagotchi是一款基于树莓派的开源AI工具,能够自主学习周围WiFi环境并自动进行安全测试。它通过机器学习算法优化无线网络探测过程,模拟人类黑客的行为模式,在被动模式下收集握手包,在主动模式下尝试建立连接。最新发布的2.9.4版本主要针对蓝牙网络共享功能进行了重要修复,并优化了多项系统设置。
核心功能改进
蓝牙网络共享配置修复
本次更新解决了蓝牙网络共享(BT-Tether)功能中的IP地址配置问题。在之前的版本中,即使用户在配置文件中设置了静态IP地址,系统实际上并未正确应用这些设置。开发团队通过三个关键提交修复了这一问题:
- 确保配置文件中的IP地址设置能够被正确读取和应用
- 修正了IP地址分配逻辑,防止配置被忽略
- 更新了初始化向导(--wizard)中的蓝牙网络共享设置项,使其生成正确的配置文件
这些改进使得蓝牙网络共享功能更加可靠,用户现在可以放心地在配置文件中指定静态IP地址,而不用担心设置被忽略。
自动调谐模式显示优化
自动调谐功能(Auto-Tune)的界面显示得到了改进。之前的版本中,当启用自动调谐时,界面会显示"AT"标识,这可能会让一些用户感到困惑。新版本恢复了更直观的"AUTO/MANU"显示方式,使用户能够更清晰地了解当前的工作模式状态。
系统性能与稳定性增强
内存温度监控简化
内存温度监控模块(memtemp)进行了代码简化,移除了不必要的复杂性。这一改动虽然对用户界面没有直接影响,但提高了系统监控的效率和可靠性,为未来的功能扩展打下了更好的基础。
网络管理器配置优化
操作系统层面的网络管理器配置进行了重要调整:
- 移除了pwnagotchi-launcher中不必要的bettercap服务重启命令,这有助于提高系统稳定性,减少服务中断
- 在USB网络连接配置中明确设置了自动连接(autoconnect)属性为true,解决了某些情况下USB网络接口无法自动连接的问题
在线服务上传改进
针对WPA-Sec和Wigle这两个常用的握手包上传服务,新版本增加了用户代理(User-Agent)标识。这一看似小的改动实际上非常重要:
- 帮助服务端正确识别上传请求来源
- 可能解决某些情况下上传失败的问题
- 为服务提供方提供更好的统计信息
使用建议
对于已经运行Pwnagotchi的用户,大部分功能改进将通过自动更新机制应用。但需要注意的是,部分操作系统级别的变更(如网络管理器设置)需要重新刷写系统镜像或手动修改配置文件才能生效。
对于新用户,建议直接使用最新的2.9.4版本镜像,以获得最稳定的蓝牙网络共享功能和各项改进。在配置蓝牙网络共享时,现在可以放心地使用静态IP地址设置,系统将正确应用这些配置。
这次更新虽然不包含大的功能新增,但对现有功能的稳定性和可靠性提升显著,特别是对那些依赖蓝牙网络共享功能的用户来说,2.9.4版本值得升级。
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