yabai窗口管理器的窗口化全屏功能解析
2025-05-07 06:32:14作者:龚格成
yabai作为macOS上强大的平铺式窗口管理器,近期新增了一个实用的窗口化全屏功能(windowed-fullscreen),这个功能为用户提供了介于原生全屏和平铺模式之间的第三种选择。
功能背景
在传统的窗口管理方案中,用户通常面临两种选择:
- 原生全屏模式:窗口会占据整个屏幕空间,包括系统菜单栏和Dock区域,但会触发macOS的动画效果并创建一个独立的全屏空间
- 平铺模式下的缩放全屏(zoom-fullscreen):窗口会最大化但仍保留窗口装饰和系统界面元素
新引入的窗口化全屏功能则提供了第三种选择,它能够:
- 即时将窗口扩展到显示器的可用区域边界
- 忽略用户配置的窗口间距(gaps)和外部栏(bar)间距
- 保持窗口的常规属性而不进入macOS的特殊全屏状态
技术实现细节
从技术角度看,这个功能通过以下方式工作:
-
空间处理:当启用窗口化全屏时,窗口会忽略所有配置的padding(包括常规padding和external_bar padding)
-
系统界面适配:
- 无法覆盖macOS的Notch区域或菜单栏区域(即使菜单栏设置为自动隐藏)
- 如果Dock设置为自动隐藏,窗口可以扩展到Dock区域
- 对于较新的MacBook,窗口顶部位置会受到Notch的限制
-
兼容性:该功能对托管和非托管窗口都有效
使用方式
用户可以通过简单的命令启用这一功能:
yabai -m window --toggle windowed-fullscreen
与现有功能的对比
与原生全屏模式相比,窗口化全屏:
- 不会触发macOS的全屏动画
- 不会创建独立的全屏空间
- 窗口保持其原有属性
与zoom-fullscreen相比,窗口化全屏:
- 忽略所有间距配置
- 可以扩展到更接近屏幕边缘的区域
- 仍然保留窗口装饰(如标题栏)
实际应用场景
这一功能特别适合以下场景:
- 需要快速最大化窗口查看内容,但不想离开当前工作空间
- 在多显示器环境下需要保持窗口关联性
- 对系统动画效果敏感,追求即时响应的用户
注意事项
当前实现中需要注意:
- 窗口化全屏状态下,窗口仍然可以通过鼠标拖动
- 标题栏等窗口装饰仍然可见
- 无法完全覆盖系统保留区域(如Notch)
yabai的这一新功能为用户提供了更灵活的窗口管理选择,填补了传统全屏和平铺模式之间的空白,使得工作流程可以更加高效和个性化。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
165
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
598
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
230
仓颉编译器源码及 cjdb 调试工具。
C++
123
671
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
615
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
196
72
仓颉编程语言测试用例。
Cangjie
36
672