sunxi-tools 使用与安装指南
本文档将详细介绍如何安装和使用 sunxi-tools,这是一个针对基于 Allwinner SoC 的设备的命令行工具集。
1. 安装指南
首先,确保您的系统已经安装了必要的依赖项。在 Ubuntu 20.04 上,可以使用以下命令安装:
sudo apt install libusb-1.0-0-dev libz-dev libfdt-dev
接下来,从 GitHub 仓库克隆 sunxi-tools 项目:
git clone https://github.com/linux-sunxi/sunxi-tools.git
cd sunxi-tools
根据您的需求选择以下构建目标:
- 构建 tools(大多数用户需要的):
make tools
- 构建 target-tools(用于 Allwinner SoC 的工具):
make target-tools
- 构建所有工具:
make all
- 安装 tools:
make install-tools
- 安装 target-tools:
make install-target-tools
- 安装所有工具:
make install-all
2. 项目的使用说明
sunxi-tools 提供了一系列工具,以下是一些主要工具的简要说明:
-
sunxi-fexc:
.fex文件的编译器和反编译器。使用方法:
./sunxi-fexc [-vq] [-I <输入格式>] [-O <输出格式>] [<输入文件> [<输出文件>]] -
bin2fex:将
_script.bin文件反编译为.fex格式。 -
fex2bin:将
.fex文件编译为二进制格式,用于兼容老版本的内核。 -
sunxi-fel:用于与 CPU 内置的 FEL 处理器进行 USB 通信的脚本接口。
-
fel-gpio:允许通过 FEL 进行 GPIO 操作的简单包装脚本。
-
fel-sdboot:ARM 原生 SD 卡引导加载程序,强制设备进入 FEL 模式。
-
uart0-helloworld-sdboot:仅在 UART0 串行控制台打印简短 "hello" 消息的 ARM 原生 SD 卡引导加载程序。
-
sunxi-pio:操作 PIO 寄存器/转储的工具。
-
sunxi-nand-part:用于操作 Allwinner NAND 分区表的工具。
-
sunxi-nand-image-builder:用于创建原始 NAND 图像(包括 boot0 图像)的工具。
-
sunxi-bootinfo:从 Allwinner 引导文件(boot0/boot1)转储信息的工具。
-
phoenix_info:提供关于凤凰卡(phoenixcard)创建的图像的信息,并可选地从隐藏分区中提取嵌入式引导代码和固件文件。
-
sunxi-meminfo:从寄存器读取 DRAM 设置的工具。
-
sunxi-script_extractor:在 rooted Android 设备上执行的简单工具,用于通过读取 /dev/mem 转储 script.bin。
3. 项目API使用文档
sunxi-tools 主要通过命令行工具提供功能,没有提供传统意义上的 API。每个工具的命令行参数和使用方法在项目的 README 文件中都有详细说明。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细描述,包括构建和安装不同的目标工具。
确保在构建前安装所有必需的依赖项,然后根据您的需求选择适当的构建和安装命令。
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