Axmol引擎2.6.1版本发布:稳定性和工具链的重大改进
Axmol引擎是一个基于Cocos2d-x分支发展而来的开源游戏引擎,专注于提供跨平台的2D/3D游戏开发解决方案。作为一款轻量级但功能强大的引擎,Axmol在移动游戏开发领域有着广泛的应用。本次发布的2.6.1版本是一个长期支持(LTS)的小版本更新,主要聚焦于稳定性提升和开发工具链的优化。
核心稳定性修复
本次更新中最值得关注的是对Android平台ARMv7架构崩溃问题的修复。这个问题可能导致使用该架构的Android设备在运行游戏时意外退出,现在开发者可以放心地在更多设备上部署他们的游戏了。
渲染方面,修复了FairyGUI动画剪辑的混合渲染问题。原本的混合函数设置不正确会导致动画显示异常,现在动画能够按照预期正确渲染,这对于使用FairyGUI作为UI解决方案的项目尤为重要。
在音频处理方面,修复了Opus音频编解码器在链接预构建引擎时可能出现的链接问题,确保了音频功能的完整性。同时针对Windows平台使用Clang编译时OpenAL预处理设置不正确的问题也得到了解决,提高了编译成功率。
开发工具链优化
Android构建系统进行了显著改进,不再使用传统的CMake工具链文件,转而采用更现代的构建方式。Gradle脚本得到了全面增强,包括将axmol.gradle移出libaxmol项目结构,使项目组织更加清晰。构建工具版本管理也更加严格,确保使用正确的Android构建工具和目标SDK版本。
CMake配置方面,游戏模块现在提供了更易访问的构建选项,开发者可以更方便地定制构建过程。考虑到C++和Lua模板项目的差异,AXGameFinalSetup.cmake文件被移到了各自的模板目录中,使配置更加贴合实际需求。
第三方库更新
引擎依赖的多个核心第三方库获得了版本升级:
- ASTC纹理压缩库从5.2.0升级到5.3.0,提供了更好的纹理压缩效率和质量
- LuaJIT更新到了最新的2.1分支提交,提升了脚本执行性能
- OpenSSL从3.5.0回退到更稳定的3.0.16版本,确保加密功能的可靠性
构建系统增强
新增了Windows预构建工作流检查CI,确保Windows平台的构建质量。Android构建环境也进行了升级,命令行工具从12.0版本升级到了19.0,提供了更多现代构建特性。
值得注意的是,引擎现在会持有Android Asset Manager的JVM引用,防止在原生代码使用期间被垃圾回收,这解决了一个潜在的稳定性问题。同时移除了许多不再需要的兼容性代码,使代码库更加简洁。
总结
Axmol 2.6.1版本虽然是一个小版本更新,但在稳定性和开发体验方面做出了重要改进。对于正在使用Axmol引擎的开发者来说,升级到这个版本将获得更好的构建体验和更稳定的运行时表现。特别是针对Android平台的优化,使得移动游戏开发更加顺畅可靠。这些改进体现了Axmol团队对产品质量的持续追求和对开发者体验的关注。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00