Onigmo 技术文档
1. 安装指南
Onigmo 是一个正则表达式库,支持多种平台。以下是不同平台的安装步骤:
Unix 和 Cygwin 平台
- 执行
./autogen.sh(如果configure文件不存在)。 - 执行
./configure。 - 执行
make。 - 执行
make install。
- 进行测试:执行
make test。 - 卸载:执行
make uninstall。 - 配置检查:执行
onigmo-config --cflags、onigmo-config --libs、onigmo-config --prefix和onigmo-config --exec-prefix。
Windows 64/32位平台(Visual C++)
执行 build_nmake.cmd。build_x64 或 build_x86 将用作工作/输出目录。
-
onigmo_s.lib:静态链接库。 -
onigmo.lib:动态链接库的导入库。 -
onigmo.dll:动态链接库。 -
测试(ASCII/Shift_JIS/EUC-JP/Unicode):执行
build_nmake.cmd test。需要与 Onigmo 同位数的 Python 来运行测试。
Windows 64/32位平台(MinGW)
执行 mingw32-make -f win32/Makefile.mingw。build_x86-64、build_i686 等将用作工作/输出目录。
-
libonigmo.a:静态链接库。 -
libonigmo.dll.a:动态链接库的导入库。 -
onigmo.dll:动态链接库。 -
测试(ASCII/Shift_JIS/EUC-JP/Unicode):执行
mingw32-make -f win32/Makefile.mingw test。需要与 Onigmo 同位数的 Python 来运行测试。 -
如果在 MSYS2 上使用 MinGW,也可以像 Unix 一样使用
./configure和make。在这种情况下,DLL 名称将包含 API 版本号。例如:libonigmo-6.dll。
2. 项目使用说明
要使用 Onigmo,需要在程序中包含 onigmo.h 头文件。有关 Onigmo API 的详细信息,请参阅 doc/API。
如果希望在 onigmo.h 中禁用 UChar 类型的定义(等于 unsigned char),请定义 ONIG_ESCAPE_UCHAR_COLLISION,然后包含 onigmo.h。
如果希望在 onigmo.h 中禁用 regex_t 类型的定义,请定义 ONIG_ESCAPE_REGEX_T_COLLISION,然后包含 onigmo.h。
在 Unix 或 Cygwin 中的编译/链接命令行示例(假设前缀为 /usr/local):
cc sample.c -L/usr/local/lib -lonigmo
如果希望在 Win32 上使用静态链接库(onigmo_s.lib),请在 C 编译器中添加 -DONIG_EXTERN=extern 选项。
3. 项目 API 使用文档
Onigmo 的 API 文档位于 doc/API 目录中。有关如何使用这些 API 的详细信息,请参考该文档。
4. 项目安装方式
Onigmo 的安装方式已在“安装指南”部分详细介绍,根据不同的操作系统平台,安装方式略有不同。请参照相应的步骤进行安装。
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