Flatpak 1.16.1发布:容器化应用运行环境的重要更新
项目简介
Flatpak是一个开源的应用程序容器化技术,它允许开发者在Linux系统上构建、分发和运行沙盒化的应用程序。通过Flatpak,开发者可以创建独立于特定Linux发行版的应用程序包,用户则可以在任何支持Flatpak的Linux发行版上运行这些应用,而无需担心依赖问题或系统兼容性。
1.16.1版本更新亮点
Flatpak 1.16.1是该系列的第一个bug修复版本,包含多项功能增强和问题修复,特别值得关注的是对家长控制功能的改进和系统性能的优化。
家长控制功能优化
新版本改进了家长控制功能的行为,默认允许子账户更新已安装的应用程序。这一改变确保了安全更新和错误修复能够及时安装,提高了系统的安全性。同时,管理员仍可通过配置polkit策略规则来覆盖这一默认行为,使用新的org.freedesktop.Flatpak.override-parental-controls-update动作进行细粒度控制。
系统集成改进
1.16.1版本增强了与systemd的集成,现在使用实例ID而非顶级进程ID来命名systemd作用域,使得系统管理员更容易将systemd作用域与特定的Flatpak应用实例关联起来。
设备访问权限扩展
对于需要图形加速的应用,新版本扩展了--device=dri选项的功能,现在包含了/dev/udmabuf设备的访问权限,为需要直接内存访问的应用提供了更好的支持。
性能优化
开发团队在此版本中进行了多项性能优化:
flatpak prune --dry-run命令现在运行更快,因为它不再计算潜在的释放空间,并且避免了需要持有锁的操作flatpak permission-reset命令通过仅写入实际发生变化的条目来提升执行速度- 修复了flatpak-portal间歇性崩溃的问题,通过减少不必要的多线程操作提高了稳定性
错误修复与兼容性改进
1.16.1版本修复了多个影响用户体验的问题:
- 修复了在移除不再需要的
autoprune-unless扩展(如旧版Nvidia驱动)时显示不必要确认提示的问题 - 阻止了
$PYTHONPYCACHEPREFIX环境变量从主机传播到沙盒中 - 当Wayland套接字访问被拒绝时,阻止
$WAYLAND_DISPLAY和$WAYLAND_SOCKET环境变量传播到沙盒中 - 改进了AT-SPI总线发现机制,使其行为更接近AT-SPI本身的实现
- 修复了安装额外数据时的内存泄漏问题
- 改进了错误报告机制,避免重复显示致命事务错误
开发者相关改进
对于开发者而言,此版本包含了一些有用的改进:
- 改进了
flatpak-spawn --sandbox-a11y-own-name参数无效时的错误信息 - 在OCI注册表交互时,现在会检查
/etc/containers/certs.d目录下的TLS证书 - 修复了静态库构建的问题
- 改进了shell补全功能,现在
flatpak search命令会包含所有选项
国际化支持
新版本包含了多个语言的翻译更新,包括保加利亚语、格鲁吉亚语、波兰语、巴西葡萄牙语、罗马尼亚语、俄语、斯洛文尼亚语、瑞典语和土耳其语。
总结
Flatpak 1.16.1是一个重要的维护版本,在保持稳定性的同时,提供了多项功能增强和性能优化。特别是对家长控制功能的改进、系统集成的增强以及多项错误修复,使得Flatpak作为Linux应用程序容器化解决方案更加完善和可靠。建议所有用户和发行版升级到此版本以获得最佳体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07