Prowlarr v1.35.1版本发布:索引器管理与搜索优化
Prowlarr是一款专为媒体服务器设计的索引器管理工具,它能够帮助用户集中管理和配置各种Usenet和Torrent索引器。作为Sonarr、Radarr等媒体管理工具的配套应用,Prowlarr简化了索引器的添加和维护过程,提供了统一的搜索接口和自动化配置功能。
核心改进与优化
1. 索引器兼容性增强
本次更新重点改进了Cardigann索引器定义的处理逻辑。当系统无法找到JSON选择器时,现在会提供更清晰的错误信息,而不再记录整个响应内容。这一改进显著提升了调试效率,同时避免了日志文件过大问题。
2. 搜索功能优化
针对PTP(PassThePopcorn)索引器的TV搜索功能进行了修复,确保用户能够正常使用该索引器进行电视剧资源搜索。此外,新版本默认启用了重定向功能,当添加新的Usenet索引器时,系统会自动处理重定向请求,简化了配置流程。
3. 日志系统改进
日志记录机制得到了多项优化:
- 格式化字符串在日志消息中的处理更加规范
- 通过LoggerExtensions将带参数的消息传递给NLog
- 更新了默认日志级别消息,使日志输出更加合理
- 当NZB包含无效XML时,系统会提供更友好的错误提示
技术架构更新
1. 核心依赖升级
项目更新了多个关键依赖项:
- 将core-js升级至3.41版本
- 更新了caniuse数据库
- 基础框架保持稳定,确保向后兼容
2. 多语言支持
本次发布包含了来自Weblate的多个翻译更新,进一步提升了国际化支持。用户界面现在支持更多语言的本地化显示。
部署与安装
对于不同环境的用户,Prowlarr v1.35.1提供了全面的部署方案:
1. Docker用户
使用Docker部署的用户需要注意:必须更新容器镜像,不应尝试在现有容器内直接更新Prowlarr。这是确保系统稳定性的重要措施。
2. 非Docker用户
对于非Docker安装,用户可以通过设置界面切换到master分支接收后续更新。路径为:设置 -> 常规(显示高级设置)-> 更新 -> 分支。
3. 多平台支持
新版本提供了针对各种操作系统和架构的预编译包:
- Linux (ARM/ARM64/x64/x86, 包括musl变体)
- macOS (ARM64/x64)
- Windows (x64/x86)
- FreeBSD (x64)
版本维护策略
本次更新将版本号提升至1.35.1,同时更新了许可证年份。开发团队保持了稳定的发布节奏,确保用户能够及时获得功能改进和安全更新。
总结
Prowlarr v1.35.1版本在索引器兼容性、搜索功能和日志系统方面做出了重要改进,同时保持了系统的稳定性和易用性。对于依赖多个索引器的媒体服务器用户来说,这些更新将显著提升资源搜索和管理效率。建议所有用户及时更新以获得最佳体验。
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