SSDTTime 终极指南:快速上手ACPI热补丁生成
想要打造完美的Hackintosh系统吗?SSDTTime 就是你的终极解决方案!这款强大的ACPI热补丁生成工具让复杂的系统配置变得简单快捷。无论你是新手还是经验丰富的用户,SSDTTime都能帮助你轻松生成各种必需的SSDT补丁,让你的黑苹果系统运行更加稳定流畅。🚀
什么是SSDTTime?
SSDTTime 是一款专门为Hackintosh用户设计的ACPI热补丁生成工具。它能够自动检测你的硬件配置,并生成相应的SSDT补丁文件,解决各种兼容性问题。
项目核心文件 SSDTTime.py 是整个工具的入口点,通过调用 Scripts 目录中的各个模块来实现完整功能。
SSDTTime 支持的补丁类型
SSDTTime 提供了丰富的补丁生成功能,包括:
- SSDT-HPET - 修复IRQ冲突问题
- SSDT-EC - 系统感知的模拟EC设备(笔记本和台式机变体)
- SSDT-USBX - 提供通用USB电源属性
- SSDT-PLUG - 在CPU0/PR00上设置plugin-type=1
- SSDT-PMC - 为原生300系列NVRAM添加缺失的PMCR设备
- SSDT-AWAC - 禁用AWAC时钟,并根据需要启用(或模拟)RTC
- SSDT-USB-Reset - 返回检测到的根集线器的零状态以允许硬件查询
快速上手教程
第一步:获取项目代码
git clone https://gitcode.com/gh_mirrors/ss/SSDTTime
第二步:运行SSDTTime
根据你的操作系统选择相应的启动方式:
- Linux用户:运行
SSDTTime.py - macOS用户:双击
SSDTTime.command - Windows用户:双击
SSDTTime.bat
第三步:选择所需补丁
运行程序后,你会看到一个直观的菜单界面。根据你的硬件需求选择相应的补丁类型:
- 系统会自动检测并生成DSDT文件
- 选择你需要的SSDT补丁类型
- 工具会自动生成相应的.aml文件
第四步:集成到引导程序
将生成的SSDT文件添加到你的OpenCore或Clover引导程序中,具体的配置文件生成由 Scripts/plist.py 模块处理。
核心功能详解
智能EC设备模拟
Scripts/dsdt.py 模块负责解析ACPI表,而 SSDTTime.py 中的 fake_ec 方法能够自动检测并生成合适的EC模拟补丁。
处理器插件类型设置
plugin_type 方法能够自动识别你的CPU配置,并生成正确的plugin-type设置补丁。
IRQ冲突修复
通过 list_irqs 方法,SSDTTime能够扫描系统中的IRQ分配,并自动修复潜在的冲突问题。
使用技巧和注意事项
-
备份重要文件:在应用任何ACPI补丁前,务必备份你的原始配置文件。
-
逐步测试:建议一次只应用一个补丁,测试系统稳定性后再继续。
-
查看日志:如果遇到问题,可以查看工具生成的日志文件来定位问题。
为什么选择SSDTTime?
✅ 跨平台支持 - 支持macOS、Linux和Windows系统 ✅ 自动化生成 - 无需手动编写复杂的ACPI代码 ✅ 新手友好 - 图形化界面让操作变得简单 ✅ 持续更新 - 项目持续维护,支持最新的硬件
常见问题解答
Q:SSDTTime适用于哪些操作系统? A:支持macOS、Linux和Windows三大主流系统。
Q:生成的补丁文件需要放在哪里? A:需要放在你的引导程序(OpenCore或Clover)的ACPI文件夹中。
Q:如果遇到问题怎么办? A:可以查看项目文档或在相关社区寻求帮助。
总结
SSDTTime 是Hackintosh用户的必备工具,它极大地简化了ACPI补丁的生成过程。无论你是想要修复USB电源问题、解决IRQ冲突,还是优化CPU性能,SSDTTime都能为你提供专业的解决方案。
开始使用SSDTTime,让你的黑苹果系统配置变得更加简单高效!🎯
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00