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。
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