NanaZip 5.0发布:支持UFS文件系统与多项功能优化
NanaZip是一款基于7-Zip的开源压缩工具,专注于提供更丰富的文件格式支持和现代化的用户体验。作为7-Zip的衍生版本,NanaZip在保留原有强大压缩功能的基础上,增加了对更多哈希算法的支持,优化了用户界面,并持续引入创新功能。
最新发布的NanaZip 5.0版本带来了多项重要更新,其中最引人注目的是新增了对UFS/UFS2文件系统镜像的只读支持。这一功能使得Windows用户无需挂载BSD分区,就能直接访问和提取BSD系统分区中的文件内容。该功能的实现得益于社区贡献者NishiOwO提供的UFS/UFS2磁盘结构定义,为跨平台文件操作提供了新的可能性。
在架构层面,NanaZip 5.0引入了一个重要创新——NanaZip平台抽象层(K7Pal)。这一设计将平台相关的底层实现进行了封装,为后续跨平台开发奠定了基础。目前K7Pal已经提供了基于Windows CNG API的多种哈希函数接口,包括MD2、MD4、MD5、SHA系列等常用算法。这种模块化设计不仅提高了代码的可维护性,也为未来支持更多平台预留了空间。
用户体验方面,5.0版本新增了两项实用功能:智能提取(Smart Extraction)和提取后自动打开文件夹选项。前者可以自动识别并处理压缩包中的嵌套结构,后者则简化了用户操作流程,提升了工作效率。这些改进都源于社区用户的实际需求反馈。
在技术实现上,NanaZip 5.0同步了多个核心组件的更新:
- 7-Zip主程序升级至24.09版本
- BLAKE3哈希算法更新至1.5.5
- RHash同步至最新主分支
- xxHash升级至v0.8.3
值得注意的是,开发团队对项目结构进行了优化调整,将控制台版本移至核心项目,移除了对C++/WinRT和VC-LTL的依赖,转而采用Mile.Windows.UniCrt方案。这些改动不仅简化了代码结构,还优化了生成的可执行文件体积,特别是自解压安装包的尺寸得到了明显缩减。
针对Windows系统的兼容性,5.0版本修复了DPI感知相关的问题,确保在不同显示设置下都能正常显示界面。同时解决了从右键菜单启动时窗口可能出现在后台的问题,提升了用户体验的一致性。
从安全角度看,新版本增强了自解压程序的安全性,默认禁用了子进程创建功能(安装模式除外),减少了潜在的安全风险。开发团队还表示正在考虑未来版本中引入插件系统,但会谨慎设计安全隔离机制,可能采用WebAssembly等技术来平衡功能扩展与安全性。
NanaZip 5.0的发布展现了开源项目持续创新的活力,通过吸收社区反馈和技术进步,不断丰富文件压缩工具的功能边界。特别是对BSD文件系统的支持,为跨平台数据交换提供了新的解决方案,体现了项目团队对多元化使用场景的关注。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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