LSLib项目v1.20.0 Beta 2版本技术解析:glTF 2.0支持与GR2格式优化
项目简介
LSLib是一个专注于游戏资源处理的工具库,主要用于处理各种游戏资源格式的导入、导出和转换工作。在游戏开发领域,特别是使用Divinity Engine(如《神界:原罪2》和《博德之门3》)的项目中,LSLib扮演着重要角色,帮助开发者高效地处理模型、动画等资源文件。
核心更新内容
glTF 2.0格式支持
本次v1.20.0 Beta 2版本最重要的更新是增加了对glTF 2.0格式的支持。glTF(GL Transmission Format)是一种现代的3D模型传输格式,由Khronos Group开发,已经成为Web和移动端3D图形的标准格式。
技术背景:随着Blender官方宣布将逐步弃用Collada格式(一种较老的3D模型交换格式),LSLib团队及时跟进,实现了glTF 2.0的支持。这一变化意味着:
- 用户现在可以使用更现代的glTF格式来导入导出模型、骨骼和动画数据
- glTF格式相比Collada具有更好的性能、更小的文件体积和更丰富的功能支持
- 需要配合最新版的BG3导出插件使用这一功能
实现细节:LSLib的glTF实现支持了模型、骨骼和动画的全套导出/导入功能,确保了与现有游戏资源管线的兼容性。
GR2格式处理优化
GR2是游戏引擎中常用的一种模型格式,本次更新对GR2文件的处理进行了多项改进:
-
骨骼系统优化:改进了对"虚拟骨骼"(dummy skeletons)的检测逻辑,现在对于包含多个网格的非蒙皮GR2文件,不会再导出虚假的骨骼结构
-
权重计算修正:修复了一个可能导致骨骼权重总和超过1.0的错误,这在动画变形中可能导致不正确的顶点变形
-
命名处理增强:
- 修复了网格名称包含非标准字符时导致Blender崩溃的问题
- 解决了网格名称重复导致的导出崩溃问题
-
流处理改进:修正了GR2加载器无法处理不可查找流(unseekable streams)的问题
其他改进
-
命令行工具增强:修复了命令行导出工具在参数错误时仍返回成功状态码(0)的问题
-
跨平台支持:解决了Linux系统上错误的"无法创建非绝对路径目录"的问题
-
废弃功能:移除了多个不再使用或部分失效的导出选项,包括法线、切线、UV等的导出和重新计算相关参数
-
统计功能更新:更新了统计函数定义,加入了新发现的参数名称
技术意义与影响
这次更新标志着LSLib工具链向现代3D资源管线的转型。glTF 2.0的支持不仅解决了Blender逐步弃用Collada带来的兼容性问题,还为开发者提供了更高效、更现代的3D资源交换格式。
对于游戏模组开发者和技术美术师来说,这些改进意味着:
- 更稳定的资源导出流程,减少了因特殊字符或重复名称导致的崩溃
- 更准确的骨骼权重计算,确保角色动画的质量
- 向现代3D资源管线的平滑过渡,未来可更好地支持Web和移动平台
使用建议
对于计划升级到v1.20.0 Beta 2版本的用户,建议:
- 确保系统已安装.NET 8.0运行时环境
- 同时更新BG3导出插件到最新版本以获得完整的glTF支持
- 测试现有资源导出流程,特别是涉及复杂骨骼结构和动画的部分
- 逐步将工作流程从Collada迁移到glTF格式
这个beta版本虽然包含重要更新,但生产环境建议继续使用稳定的v1.19.5版本,直到v1.20.0正式发布。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00