Glulxe:Glulx虚拟机解释器技术文档
1. 安装指南
为了编译Glulxe,需要使用Glk库。详细信息请参阅Glk首页。 Unix Makefile支持Unix库(如CheapGlk、GlkTerm、RemGlk等)。需要在Makefile中设置三个变量以找到库,并设置OPTIONS行上的适当OS_*常量。
编译方法如下:
make glulxe
编译完成后,运行以下命令来执行Glulx游戏文件:
./glulxe filename.ulx
其中filename.ulx是Glulx游戏文件的名称。
要在Mac或Windows平台上编译此程序,需要相应的Glk库。
2. 项目使用说明
Glulxe支持自动保存功能,如果Glk库支持的话。目前只有RemGlk和IosGlk支持此功能。使用--autosave选项可以在每轮结束时写入自动保存文件,而--autorestore选项可以在启动时加载这些文件,从而从上次自动保存的位置开始游戏。
自动保存的文件默认保存在当前目录下,文件名为autosave.json和autosave.glksave。可以使用--autodir更改目录,使用--autoname更改基本文件名。
有两种自动保存场景:
防止进程终止
在这种模式下,程序会在每轮结束时自动保存。如果进程可能在后台被终止,这将非常有用。启动时,如果存在自动保存文件,程序会加载它们并继续游戏。
在Unix环境下,可以这样操作:
./glulxe --autosave --autoskiparrange filename.ulx
使用--autoskiparrange选项可以跳过窗口调整事件时的自动保存。
当重新启动时,如果自动保存文件存在,可以这样操作:
./glulxe --autosave --autoskiparrange --autorestore -autometrics filename.ulx
单轮操作
在这种模式下,解释器会在每次玩家输入时启动,自动恢复,处理输入,自动保存并退出。
在Unix环境下,可以这样操作:
./glulxe --autosave -singleturn filename.ulx
使用-singleturn选项指示解释器在生成输出段后立即退出。
重新启动时,如果自动保存文件存在,可以这样操作:
./glulxe --autosave --autorestore -singleturn -autometrics filename.ulx
3. 项目API使用文档
Glulxe提供了丰富的API,以下是部分API的使用说明:
--autosave:启用自动保存功能。--autorestore:在启动时恢复自动保存的文件。--autodir:设置自动保存文件的目录。--autoname:设置自动保存文件的基本名称。--autoskiparrange:在窗口调整事件时跳过自动保存。-singleturn:启用单轮操作模式。
更多API使用说明,请参考项目文档。
4. 项目安装方式
请遵循以下步骤进行安装:
- 下载源代码。
- 根据需要配置Makefile文件,包括设置Glk库路径等。
- 执行
make glulxe命令进行编译。 - 编译成功后,运行
./glulxe filename.ulx来执行Glulx游戏文件。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00