KiKit项目中关于JLCPCB生产文件设置的优化建议
背景介绍
KiKit是一款基于KiCad的PCB面板化工具,它能够帮助工程师快速将单个PCB设计转换为适合批量生产的面板布局。在实际使用中,很多用户会选择将设计文件发送到JLCPCB等专业PCB制造商进行生产。因此,确保生成的生产文件(Gerber和钻孔文件)符合制造商的要求至关重要。
JLCPCB生产文件设置差异分析
近期有用户发现KiKit中针对JLCPCB的默认生产文件设置与JLCPCB官方推荐设置存在一些差异,主要包括以下三个方面:
-
钻孔文件合并设置
KiKit默认将PTH(镀通孔)和NPTH(非镀通孔)合并为一个钻孔文件(MergeNPTH=True),而JLCPCB官方指南建议分开生成两个独立的钻孔文件。虽然合并文件在实际生产中通常不会造成问题,但遵循制造商推荐的做法可以避免潜在的责任问题。 -
坐标原点设置
KiKit默认使用辅助原点(UseAuxOrigin=True),这与KiCad中"使用钻孔/放置文件原点"选项相对应。JLCPCB指南中显示的是"绝对原点"选项。实际上,关键是要确保Gerber文件和钻孔文件使用相同的原点设置。使用辅助原点(由KiKit自动设置为面板的某个角落)比使用绝对坐标更为合理,因为它能确保文件在坐标空间中的精确定位。 -
钻孔图文件格式
KiKit默认生成PDF格式的钻孔图文件,而JLCPCB指南中显示的是Gerber X2格式。虽然钻孔图文件不是必须的,但JLCPCB建议提供Gerber格式的钻孔图文件,因为它包含了关于孔属性(镀通/非镀通)和槽孔数量的额外信息,有助于减少生产错误。
专业建议与最佳实践
-
关于原点设置
为了便于将生成的文件与JLCPCB生产文件进行比较验证,建议将面板的原点设置为左下角(bl)。这可以通过在KiKit配置中添加以下JSON设置实现:{ "post": { "origin": "bl" } } -
关于钻孔文件
虽然合并钻孔文件在实际生产中通常不会造成问题,但建议遵循JLCPCB的官方指南,将PTH和NPTH分开生成。这样可以确保在出现生产问题时,责任划分更加明确。 -
关于钻孔图文件
虽然钻孔图文件不是必须的,但建议按照JLCPCB的推荐提供Gerber X2格式的钻孔图文件。这种格式包含了更多元数据,有助于制造商准确理解设计意图,减少生产错误的风险。
总结
KiKit项目团队已经根据这些建议对代码进行了相应调整(#688)。对于终端用户来说,了解这些设置差异有助于生成更符合制造商要求的生产文件,从而提高PCB生产的质量和可靠性。在实际应用中,用户可以根据自身需求选择是否遵循所有推荐设置,但至少应确保Gerber和钻孔文件使用相同的原点设置这一基本原则。
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-1.5暂无简介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
Spark-Formalizer-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
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