RMK键盘固件v0.6.1版本发布:新增重复键与组合键优化
RMK是一个开源的机械键盘固件项目,采用Rust语言编写,支持多种微控制器平台。该项目致力于为键盘爱好者提供高度可定制化、稳定可靠的固件解决方案。最新发布的v0.6.1版本带来了一系列实用功能的增强和问题修复,进一步提升了键盘的使用体验。
核心功能增强
重复键功能支持
v0.6.1版本新增了对重复键(repeat key)的支持。这项功能允许用户在按住某个按键时,自动重复触发该按键的输入,类似于传统键盘上的按键重复功能。对于需要快速输入相同字符的场景(如输入长串相同字符或游戏中快速操作)特别有用。
实现上,RMK通过软件方式模拟了硬件级别的按键重复行为,开发者可以通过配置文件轻松调整重复延迟和重复速率这两个关键参数,满足不同用户的个性化需求。
Grave Escape基础支持
新版本引入了Grave Escape功能的基础支持。Grave Escape是一种特殊的按键组合,通常用于在特定情况下(如全屏应用或游戏)快速切换到桌面或执行其他系统级操作。RMK的实现考虑了不同操作系统和键盘布局的兼容性问题,确保在各种环境下都能可靠工作。
编码器内部上拉配置
针对使用旋转编码器的键盘设计,v0.6.1版本增加了对编码器内部上拉电阻的配置支持。这一改进使得硬件设计更加灵活,开发者可以根据实际电路需求选择是否启用微控制器内部的上拉电阻,简化了外围电路设计,同时提高了信号稳定性。
关键问题修复
GPIO上拉配置修复
修复了STM32平台上GPIO上拉配置错误的问题。之前的版本在某些STM32芯片上可能会出现上拉电阻配置不生效的情况,导致输入信号不稳定。新版本通过优化底层驱动代码,确保了GPIO上拉配置在各种STM32芯片上的正确工作。
组合键触发优化
解决了组合键(combo)功能中的一个重要问题:当多个组合键之间存在按键重叠时,某些组合键可能无法正确触发。新版本改进了组合键的检测算法,现在能够正确处理各种复杂的组合键重叠情况,大大提升了组合键功能的可靠性。
电池电量LED指示修复
修复了电池电量LED指示灯失效的问题。在之前的版本中,某些情况下电池电量指示灯可能无法正确反映实际电量状态。新版本优化了电量检测和LED控制逻辑,确保电量指示更加准确可靠。
技术实现亮点
从技术角度看,v0.6.1版本的改进主要集中在以下几个方面:
-
输入处理优化:通过重构按键扫描和事件处理逻辑,提高了重复键和组合键的检测精度和响应速度。
-
硬件抽象完善:对GPIO和编码器接口进行了更细致的抽象,使得不同硬件平台的兼容性更好。
-
电源管理增强:改进了电池电量检测算法,增加了对异常情况的处理,提高了系统的稳定性。
这些改进不仅提升了功能完整性,也为后续版本的功能扩展打下了良好的基础。RMK项目团队通过持续的迭代优化,正在将这款键盘固件打造成为开源键盘固件领域的标杆产品。
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