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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust073- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00