NVIDIA-INSTALLER 使用与技术文档
本文档旨在为用户提供关于如何安装和使用NVIDIA-INSTALLER的详细指南,同时介绍其API使用和安装方式。
1. 安装指南
在开始安装NVIDIA-INSTALLER之前,请确保已安装以下构建依赖项的开发包:
- ncurses
- pciutils
安装这些依赖项后,您可以开始构建nvidia-installer。
2. 项目使用说明
NVIDIA-INSTALLER的使用说明可以在NVIDIA驱动程序README的第4章“安装NVIDIA驱动程序”中找到。此文档通常可以从NVIDIA Linux驱动程序下载页面获取,并安装在/usr/share/doc/NVIDIA_GLX-1.0/目录下。
3. 项目API使用文档
目前没有关于nvidia-installer实现的正式文档,但源代码注释相对完善。开发者可以通过阅读源代码来了解API的使用和实现细节。
4. 项目安装方式
以下是构建预编译内核接口包的步骤:
- 运行以下命令解压NVIDIA驱动程序包:
sh NVIDIA-Linux-x86-XXX.YY.run --extract-only - 进入解压后的目录:
cd NVIDIA-Linux-x86-XXX.YY/kernel/ - 获取需要构建的模块列表:
modules=`head -n 4 ../.manifest | tail -n 1` - 根据模块列表生成内核接口文件:
interface_files=`for module in $modules; do echo $module | grep -v nvidia-uvm | sed -e 's/nvidia/nv/' -e 's/$/-linux.o/' done` - 构建内核接口文件:
make $interface_files - 为每个接口文件生成预编译内核接口包:
for interface in $interface_files; do nv_stem=`echo $interface | sed 's/-linux.o$//'` module_name=`echo $nv_stem | sed 's/nv/nvidia/'` ../mkprecompiled --pack precompiled-mykernel \ --driver-version XXX.YY \ --proc-version-string "`cat /proc/version`" \ --description "这是一个不感兴趣的描述" \ --kernel-interface $interface \ --linked-module-name $module_name.ko \ --core-object-name $module_name/$nv_stem-kernel.o_binary \ --target-directory . done - 如果存在nvidia-uvm.ko模块,同样为其生成预编译包:
if [ -f nvidia-uvm.ko ]; then ../mkprecompiled --pack precompiled-mykernel \ --kernel-module nvidia-uvm.ko \ --target-directory . fi - 创建目录并将生成的预编译包移动到该目录下:
mkdir -p precompiled mv precompiled-mykernel precompiled
请将"XXX.YY"替换为驱动程序版本号。
若要为其他内核版本构建预编译内核接口,请在make命令行中设置SYSSRC=/path/to/kernel-source。如果您的内核源代码使用单独的输出目录,请额外设置SYSOUT=/path/to/kernel-output。此外,您还需要从内核镜像中提取正确的版本字符串,以便传递给mkprecompiled命令。
使用预编译内核接口的用户可以按照以下步骤操作:
- 解压NVIDIA驱动程序包:
sh NVIDIA-Linux-x86-XXX.YY.run --extract-only - 创建预编译内核接口目录:
mkdir -p NVIDIA-Linux-x86-XXX.YY/kernel/precompiled - 将预编译内核接口包复制到该目录:
cp precompiled-mykernel NVIDIA-Linux-x86-XXX.YY/kernel/precompiled - 运行NVIDIA安装程序:
./NVIDIA-Linux-x86-XXX.YY/nvidia-installer
请注意,搜索预编译内核接口的路径已更新,现在的搜索顺序为:
-
如果指定了
--precompiled-kernel-interfaces-path选项,则搜索该目录;如果未找到匹配项,则 -
搜索
/lib/modules/precompiled/目录下的uname -r/nvidia/gfx/子目录;如果未找到匹配项,则 -
搜索
.run文件中usr/src/nv/precompiled目录;如果未找到匹配项,则 -
放弃并自行构建内核模块。
未来计划包括添加新的用户界面、增加额外的测试、清理内存泄漏、改进错误消息以及国际化支持。欢迎提交补丁,可通过linux-bugs@nvidia.com提交。
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