MaaFramework v3.0.3 版本发布:功能优化与问题修复
MaaFramework 是一个开源的游戏自动化框架,主要用于《明日方舟》等游戏的辅助操作。该框架提供了丰富的接口和功能模块,支持跨平台运行,能够帮助开发者快速构建自动化脚本和工具。最新发布的 v3.0.3 版本在之前版本的基础上进行了多项优化和问题修复。
主要更新内容
接口重命名与术语统一
在 v3.0.0 版本中,开发团队对部分 API 进行了重命名,使其更加符合项目术语规范。这一改动虽然属于破坏性修改,但有助于提升代码的一致性和可读性。开发者需要参考适配指南对现有代码进行调整。
管道配置更新
框架中的 pipeline.schema.json 文件得到了更新,这一文件定义了管道配置的 JSON 模式。通过更新 schema,开发者可以获得更完善的配置验证和提示功能,减少配置错误的发生。
目标偏移计算优化
v3.0.2 版本修复了 target_offset 计算错误的问题。这一优化确保了在图像识别和点击操作中,目标位置的偏移计算更加准确,提高了自动化操作的精确度。
自定义识别与操作接口
新版本增加了 custom_recognition 和 custom_action 的装饰器 API。这些接口允许开发者更灵活地扩展框架的功能,实现自定义的识别算法和操作逻辑,为特殊场景下的自动化需求提供了更多可能性。
问题修复
v3.0.3 版本主要修复了 pip 相关的问题,确保了框架在 Python 环境中的稳定运行。此外,之前的版本还修复了以下问题:
- 修复了当检测到 EOF 时 CLI 未正确终止的问题
- 修复了 ColorMatch 管道解析缺失的问题
- 优化了目标偏移对矩形尺寸的限制
开发者工具与文档改进
项目文档也得到了多项更新,包括:
- 添加了最佳实践案例 MaaAshEchoes
- 统一了最佳实践中 Pipeline 的图标风格
- 在调试部分增加了对 VSCode 插件的介绍
这些改进使得新开发者能够更快地上手项目,理解框架的使用方法。
跨平台支持
MaaFramework 继续提供全面的跨平台支持,最新版本发布了以下平台的二进制包:
- Android (aarch64 和 x86_64)
- Linux (aarch64 和 x86_64)
- macOS (aarch64 和 x86_64)
- Windows (aarch64 和 x86_64)
每个平台的包都经过了优化,确保在不同设备上都能获得良好的性能表现。
总结
MaaFramework v3.0.3 版本在稳定性、功能性和易用性方面都有所提升。通过接口标准化、问题修复和新功能的加入,这个开源自动化框架变得更加成熟可靠。对于游戏自动化开发者和《明日方舟》玩家来说,这一版本提供了更好的开发体验和更稳定的运行表现。
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