FingerprintPay 6.0.0版本发布:全面优化指纹支付体验
FingerprintPay是一款专注于移动支付场景指纹认证增强的开源项目,通过系统级Hook技术为国内主流支付应用提供更便捷的指纹支付体验。最新发布的6.0.0版本在功能完善和兼容性方面都有显著提升。
核心功能升级
本次更新最值得关注的是新增了通过音量键临时禁用指纹认证的功能。当用户在应用内进行指纹认证时,可以通过按下音量下键快速临时禁用指纹识别,这一设计特别适合需要在特定场景下临时关闭指纹认证的用户。需要注意的是,该功能目前仅支持应用内认证场景。
支付应用适配情况
6.0.0版本对多款主流支付应用进行了针对性适配:
-
QQ支付:完美适配QQ 9.1.55(9218)版本,确保在该版本下的指纹支付功能稳定运行。
-
淘宝支付:新增对淘宝10.47.0(717)版本的支持,用户现在可以在淘宝的支付设置中找到指纹支付配置入口。
-
基础测试验证:开发团队基于云闪付10.1.6、微信8.0.56和支付宝10.7.6.8200等版本进行了全面测试,确保这些主流支付应用的兼容性。
重要版本说明
开发者特别提醒用户注意:当前6.0.0版本暂不支持微信8.0.57及以上版本。对于使用较新微信版本的用户,建议暂时不要升级微信应用或等待后续版本更新。
技术实现特点
作为一款系统级模块,FingerprintPay采用了两种主流框架实现方式:
-
Riru框架版本:适合使用Riru环境的用户,提供针对各支付应用的独立模块和全功能整合包。
-
Zygisk框架版本:为使用Zygisk环境的用户提供优化实现,同样包含分应用模块和全功能包。
两种实现方式都经过精心优化,确保在不同系统环境下都能提供流畅的指纹支付体验。项目完全开源免费的性质也保证了技术的透明性和安全性。
使用建议
对于普通用户,建议根据自己使用的支付应用选择对应的功能模块,而非直接安装全功能包,这样可以减少不必要的系统资源占用。技术爱好者则可以通过分析项目代码深入了解Android系统Hook技术和支付安全机制。
随着移动支付安全要求的不断提高,FingerprintPay项目团队将持续跟进各支付应用的更新,为用户提供既便捷又安全的指纹支付增强方案。
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