CoreCycler v0.11.0.0alpha1版本发布:AMD Ryzen自动超频测试工具重大更新
CoreCycler是一款专门为AMD Ryzen处理器设计的自动超频测试工具,它通过智能化的方式帮助用户测试和优化处理器的Curve Optimizer(曲线优化器)设置。该工具能够自动检测系统稳定性,并在发现不稳定时调整电压参数,最终找到每个核心的最佳电压偏移值。
自动测试模式的重要改进
本次发布的v0.11.0.0alpha1版本对自动测试模式进行了多项重大改进:
-
新增对Ryzen 9000/8000系列处理器的支持:工具现在可以兼容最新的Ryzen处理器系列,为用户提供更广泛的硬件支持。
-
核心独立电压设置选项:新增的
setVoltageOnlyForTestedCore配置选项允许工具仅对当前测试的核心应用负的Curve Optimizer值,其他核心则保持为0。这一改进显著提高了测试过程的稳定性,避免了因其他核心电压过低导致的系统崩溃。 -
系统恢复点创建:工具现在会在自动测试模式启动时自动创建系统恢复点,为用户提供了一层额外的安全保障。这一功能对于防止因测试过程中出现严重错误导致的系统损坏尤为重要。
-
更灵活的起始值设置:新增"Minimum"选项为不同代际的Ryzen处理器提供预设的起始电压值(Ryzen 5000为-30,Ryzen 7000及以上为-50)。同时,"CurrentValues"选项现在作为默认值,使用当前设置作为测试起点,使测试过程更加直观。
-
改进的崩溃恢复机制:新增了120秒的崩溃后等待时间,防止Windows将快速连续崩溃识别为启动失败而进入恢复模式。这一改进确保了测试过程能够更可靠地自动恢复。
技术实现优化
在底层实现方面,本次更新也包含多项重要改进:
-
改用ryzen-smu-cli进行Curve Optimizer设置:这一变更提高了电压参数设置的可靠性和效率。
-
JSON格式的.automode文件:测试状态记录文件现在采用更结构化的JSON格式,提高了数据的可读性和可靠性。
-
增强的调度任务保护:改进了自动恢复功能的可靠性,减少了任务丢失的情况。
-
运行环境检查:新增了对Visual C++库和.NET 8运行时的检查,确保工具能够在正确的环境下运行。
问题修复
本次更新修复了多个影响用户体验的问题:
- 修复了崩溃核心可能被多次添加到测试序列的bug
- 解决了
stopOnError与自动测试模式冲突的问题 - 修正了CCD禁用状态检测的问题
- 改进了日志文件创建逻辑
- 优化了线程恢复机制
- 提高了y-cruncher使用时的CO值设置效率
- 改进了Aida64的退出处理
- 修复了调度任务注册相关的问题
使用建议
对于希望尝试新版本的用户,建议:
- 在开始自动测试前,仔细阅读新版配置文件中的新增选项说明
- 考虑使用新增的
Ryzen.AutomaticTestMode.Start.ini预设配置,它启用了核心独立电压设置并使用最小起始值 - 保持系统恢复功能启用,特别是在进行大规模测试时
- 对于Ryzen 9000/8000系列用户,这是首个提供官方支持的版本,测试反馈对项目发展尤为重要
CoreCycler v0.11.0.0alpha1通过多项改进和问题修复,为用户提供了更稳定、更可靠的自动超频测试体验,特别是对新硬件平台的支持使其保持了技术领先性。虽然仍处于预发布阶段,但这些改进已经显著提升了工具的整体可用性。
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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
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
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00