SavvyCAN V220版本发布:CAN总线分析工具的重大更新
SavvyCAN是一款功能强大的开源CAN总线分析工具,广泛应用于汽车电子、工业控制等领域的网络通信调试与数据分析。该项目由Collin Kidder创建并维护,社区贡献者众多,支持多种CAN硬件接口和日志格式。最新发布的V220版本带来了多项重要改进和功能增强,显著提升了用户体验和工具性能。
核心功能改进
本次更新在DBC文件处理方面进行了多项修复,解决了长期存在的一些兼容性问题。DBC是CAN通信中描述信号和报文的标准格式,SavvyCAN现在能够更准确地解析和处理DBC文件中的各种定义,包括对浮点信号类型(SIG_VALTYPE_)的支持,这使得工具能够正确显示和处理CAN总线上的浮点数值信号。
在信号处理方面,改进了图形化信号编辑器和信号查看器的消息过滤功能,用户可以更高效地筛选和查看特定信号。同时,信号值的显示格式也得到了优化,现在会在数值和单位之间自动添加空格,使显示更加规范易读。
硬件支持增强
V220版本显著扩展了对各类CAN接口硬件的支持。对于LAWICEL协议设备,新增了3000000波特率模式的支持,并实现了完整的CAN-FD功能支持,包括数据速率选择。这使得SavvyCAN能够充分利用高性能CAN-FD硬件的全部能力。
Qt SerialBus插件现在支持监听模式(ListenOnly),这一特性对于被动监测CAN网络流量非常有用,不会对总线造成任何干扰。此外,修复了设备连接后选择状态保持的问题,改善了多设备管理体验。
日志格式兼容性
新版本增加了对多种日志格式的支持和优化。新增了canlogserver远程捕获功能,可以从网络设备获取CAN数据。Wireshark SocketCAN日志格式现在被完整支持,包括扩展CAN ID的正确处理。对于candump格式,现在支持超过8字节的长帧记录,适应CAN-FD应用场景。
LAWICEL协议的时间戳处理得到了修正,确保日志中的时间信息准确无误。CANserver格式现在支持更高精度的时间分辨率,满足精确时间分析需求。TRC CanHacker加载器增加了逗号检查,提高了文件兼容性。
用户界面与体验
在用户界面方面,V220版本进行了多项优化。修正了表格行高的计算方式,使数据显示更加整齐。设备控制台窗口修复了重复显示的问题。模糊测试窗口(FuzzingWindow)新增了批量设置按钮,可以一键设置所有信号为高/低/自动值,大大简化了测试配置流程。
连接配置现在可以保存总线速率和CAN-FD参数,方便用户快速恢复工作环境。系统要求也进行了更新,现在需要C++17标准,这为后续功能开发奠定了基础。
脚本与自动化
脚本接口得到了显著增强,提供了更强大的自动化能力。用户现在可以通过脚本更灵活地控制SavvyCAN的各项功能,实现复杂的测试和分析流程自动化。解码消息文本的输出格式也进行了优化,不再添加多余的空行,使日志更加紧凑易读。
跨平台支持
V220版本继续强化跨平台支持。为Linux系统新增了安装脚本,简化了部署过程。macOS平台同时提供arm64和x64架构的版本,全面支持苹果芯片和Intel处理器的Mac电脑。Windows用户可以获得预编译的64位版本,开箱即用。
总结
SavvyCAN V220版本汇集了来自众多贡献者的改进,在稳定性、功能性和用户体验方面都有显著提升。特别是对CAN-FD的完整支持、多种日志格式的兼容性增强以及DBC处理的改进,使其成为更加强大的CAN总线分析工具。开源社区的持续贡献确保了项目的活力,也为专业用户和爱好者提供了可靠的CAN网络分析解决方案。
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