RMK键盘固件v0.7.2版本发布:稳定性与功能优化
RMK是一个基于Rust语言开发的现代化键盘固件项目,它提供了高度可定制化的键盘固件解决方案。与传统的C语言固件相比,RMK利用了Rust语言的内存安全特性和强大的类型系统,为键盘开发者提供了更安全、更可靠的开发体验。
核心修复与改进
本次发布的v0.7.2版本主要针对几个关键问题进行了修复和优化:
ADC初始化修复
在分体式键盘场景中,ADC(模数转换器)的初始化问题得到了解决。ADC在键盘中常用于电池电量监测等功能,此次修复确保了分体键盘两侧的ADC模块能够正确初始化,为后续的电池管理功能提供了可靠基础。
NonusHash解析修正
NonusHash是RMK中用于处理特殊键位映射的机制,本次修复了其解析过程中的错误。这个改进使得键盘布局定义文件中的特殊键位能够被正确识别和处理,提升了固件对复杂键位配置的支持能力。
输出切换状态修复
修复了键盘在切换输出模式(如USB与蓝牙之间切换)后状态不正确的问题。这个改进使得模式切换更加可靠,避免了因状态错误导致的输入异常。
硬件支持优化
针对PY32系列MCU的示例代码进行了修正,确保开发者能够基于这些示例快速构建自己的键盘固件。同时,默认启用了2M Phy功能,提升了无线通信的稳定性和性能。
架构调整
本次版本对代码结构进行了重要调整,将Controller模块置于特性标志(feature flag)之后。这种设计使得核心控制器功能成为可选模块,开发者可以根据实际需求选择是否包含这部分代码,提高了固件的灵活性和可定制性。
输入系统改进
修复了鼠标键码的一个拼写错误,虽然看似微小,但确保了鼠标功能键位的正确映射,提升了外设功能的可靠性。
总结
RMK v0.7.2版本虽然没有引入重大新功能,但对现有功能的稳定性和可靠性进行了全面加强。从底层硬件初始化到上层输入处理,多个关键环节得到了优化,体现了项目对质量的不懈追求。对于使用RMK的键盘开发者来说,这个版本值得升级,特别是那些正在开发分体式键盘或需要复杂键位映射的项目。
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