ProxmoxVE社区脚本2025年2月更新解析
ProxmoxVE社区脚本项目是一个为Proxmox虚拟化环境提供便捷部署方案的开源项目。该项目通过提供各类预配置脚本,帮助用户快速在Proxmox VE环境中部署各种应用和服务。本次更新带来了4个新脚本和多项改进,进一步丰富了ProxmoxVE的应用生态。
新增脚本亮点
本次更新引入了4个实用的新脚本,覆盖了不同领域的需求:
-
Pf2eTools重新加入:这是一个为Pathfinder 2E角色扮演游戏设计的工具集,之前曾从项目中移除,现在经过优化后重新加入。它为桌面角色扮演游戏爱好者提供了便捷的游戏管理工具。
-
Nx Witness监控系统:这是一款专业的视频监控管理软件,支持多摄像头接入和智能分析功能。通过这个脚本,用户可以快速在Proxmox环境中部署完整的视频监控解决方案。
-
RustDesk Server:一个开源的远程桌面解决方案服务器端,类似于TeamViewer的替代品。部署后可以建立自托管的远程访问系统,提高数据安全性。
-
MinIO对象存储:高性能的S3兼容对象存储系统,适合构建私有云存储解决方案。这个脚本简化了在Proxmox上部署MinIO集群的过程。
重要改进与修复
本次更新对现有脚本进行了多项优化:
-
Trilium笔记系统修复:修正了容器模板中缺失的分号问题,提高了脚本的可靠性。
-
Element Synapse矩阵服务器:修复了服务器同时监听localhost和0.0.0.0的问题,增强了网络安全性。
-
Kometa媒体管理工具:增加了RAM和HDD资源分配,提升了应用性能。
-
Authentik身份认证系统:修复了嵌入式Outpost组件的升级问题,确保系统能够顺利更新。
-
HomeAssistant智能家居平台:现在使用最新版本的runlike工具,并支持--use-volume-id参数,提高了容器管理的兼容性。
核心代码优化
项目团队对脚本核心部分进行了清理和优化:
-
移除了不必要的"App Default Values"注释,使代码更加简洁。
-
清理了base_settings和多余的注释,提高了代码的可读性和维护性。
这些底层优化虽然对最终用户不可见,但为项目的长期健康发展奠定了基础。
网站改进
项目网站也进行了用户体验优化:
-
修复了Zoraxy应用在网站上显示为可更新的问题,确保信息准确性。
-
调整了脚本分类名称的文本对齐方式,提升了界面美观度。
项目维护增强
在持续集成方面:
-
优化了脚本测试工作流,移除了不需要的输出,使测试结果更加清晰。
-
新增了自动更新JSON文件日期的流程,简化了维护工作。
这些改进展示了ProxmoxVE社区脚本项目在持续优化用户体验和开发者体验方面的努力。通过定期更新和修复,项目保持了高质量的标准,为Proxmox用户提供了更多便捷的部署选择。无论是游戏工具、监控系统还是远程访问解决方案,用户现在都能更轻松地在自己的虚拟化环境中部署这些服务。
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