Embree 技术文档
本文档旨在帮助用户安装、使用和理解 Embree 项目,详细介绍了以下内容:
- 安装指南
- 项目使用说明
- 项目 API 使用文档
- 项目安装方式
1. 安装指南
Windows 安装
Embree 为 Windows 提供了一个预编译的 ZIP 压缩包。下载后,解压该文件,并手动将 lib 文件夹的路径添加到系统的 PATH 环境变量中,以便应用程序能够找到 Embree。
Linux 安装
Embree 为 Linux 提供了一个预编译的 tar.gz 压缩包。使用 tar 命令解压该文件,并使用提供的 embree-vars.sh(如果您使用的是 bash shell)或 embree-vars.csh(如果您使用的是 C shell)来正确设置环境:
tar xzf embree-4.3.3.x86_64.linux.tar.gz
source embree-4.3.3.x86_64.linux/embree-vars.sh
建议为您的应用程序添加一个相对的 RPATH,指向 Embree(和 TBB)所在的路径。
macOS 安装
macOS 版本的 Embree 也提供了一个 ZIP 文件。使用 tar 命令解压该文件,并使用提供的 embree-vars.sh(如果您使用的是 bash shell)或 embree-vars.csh(如果您使用的是 C shell)来正确设置环境:
unzip embree-4.3.3.x64.macosx.zip
source embree-4.3.3.x64.macosx/embree-vars.sh
如果要与应用程序一起打包 Embree,请使用提供的 ZIP 文件中的 Embree 库。
2. 项目的使用说明
使用 Embree 的最便捷方式是通过 CMake。在您的 CMakeLists.txt 文件中,使用 FIND_PACKAGE 函数让 CMake 查找解压后的 Embree 包:
FIND_PACKAGE(embree 4 REQUIRED)
您可能需要设置 embree_DIR 变量指向包含 embree_config.cmake 文件的文件夹。如果您没有在系统上全局安装 TBB,还需要设置 TBB_DIR 变量:
cmake -D embree_DIR=path_to_embree_package/lib/cmake/embree-4.3.3/ \
-D TBB_DIR=path_to_tbb_package/lib/cmake/tbb/ \
..
FIND_PACKAGE 函数将创建一个 embree 目标,您可以将其添加到您的目标链接库中:
TARGET_LINK_LIBRARIES(application embree)
有关如何构建 Embree 应用程序的完整示例,请查看 Embree 包的 src 文件夹中的 minimal 教程及其 README.txt 文件。
3. 项目 API 使用文档
Embree 的 API 文档详细介绍了如何使用其各种功能。以下是一些关键点:
- 使用不同的几何原语,如三角形、Catmull-Clark 分割曲面、曲线原语、点状原语等。
- 利用运动模糊,包括多段运动模糊、形变模糊和四元数运动模糊。
- 使用射线遮罩和过滤器回调。
有关更详细的 API 使用说明,请参考 Embree 的官方文档。
4. 项目安装方式
Embree 支持多种编译器和平台,包括 Windows、Linux 和 macOS。以下是一些基本的安装步骤:
- 下载 Embree 的源代码或预编译版本。
- 解压并设置环境变量。
- 使用 CMake 构建项目。
有关详细的构建说明,请参考 Embree 的官方文档和教程。
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