在Ubuntu衍生系统上构建并安装MangoHud及其组件
MangoHud是一个流行的开源游戏性能监控工具,它可以显示FPS、CPU/GPU使用率等关键指标。对于使用Ubuntu衍生系统(如Tuxedo OS)的用户来说,系统仓库中的版本可能较旧,特别是在Wayland环境下运行时可能会遇到兼容性问题。本文将详细介绍如何从源码构建并安装MangoHud及其相关组件(Mangoapp、Mangoctl、Mangoplot)。
准备工作
在开始构建前,需要确保系统已安装必要的构建工具和依赖项。对于基于Ubuntu 24.04的衍生系统,可以执行以下命令安装基础依赖:
sudo apt update
sudo apt install -y git meson ninja-build pkg-config libglvnd-dev libdbus-1-dev libx11-dev libxrandr-dev libvulkan-dev libwayland-dev libdrm-dev
如果使用NVIDIA显卡,还需要安装NVIDIA相关开发包:
sudo apt install -y nvidia-driver-535 libxnvctrl-dev
获取源码
首先克隆MangoHud的主仓库及其相关组件:
git clone --recursive https://github.com/flightlessmango/MangoHud.git
cd MangoHud
配置构建选项
MangoHud支持多种配置选项,可以根据系统环境进行调整。特别是对于Wayland环境,需要确保相关支持已启用。以下是推荐的配置命令:
meson setup build \
--prefix=/usr \
-Dwith_xnvctrl=disabled \
-Dwith_wayland=enabled \
-Dwith_dbus=enabled \
-Dwith_vulkan=enabled \
-Dwith_x11=enabled
参数说明:
--prefix=/usr:指定安装路径为系统目录-Dwith_xnvctrl=disabled:禁用XNVCtrl支持(解决NVIDIA PRIME相关问题)-Dwith_wayland=enabled:启用Wayland支持-Dwith_dbus=enabled:启用DBus支持-Dwith_vulkan=enabled:启用Vulkan支持-Dwith_x11=enabled:启用X11支持
构建和安装
配置完成后,可以开始构建和安装:
ninja -C build
sudo ninja -C build install
构建完成后,建议重新启动系统以确保所有组件正确加载。
验证安装
安装完成后,可以通过以下命令验证MangoHud是否正常工作:
mangohud --version
要测试MangoHud在游戏中的显示效果,可以使用:
mangohud glxgears
解决常见问题
-
XNVCtrl错误:如果遇到与XNVCtrl相关的错误,建议在构建时禁用该功能(如上文所示),特别是在使用NVIDIA PRIME配置的系统上。
-
Wayland支持:对于Wayland环境,确保在构建时启用了Wayland支持,并且系统已正确配置Wayland会话。
-
权限问题:如果安装后MangoHud无法正常工作,可能需要检查权限设置,确保用户有权限访问所需的系统资源。
高级配置
安装完成后,可以通过编辑~/.config/MangoHud/MangoHud.conf文件来自定义显示内容和样式。MangoHud提供了丰富的配置选项,包括:
- 显示哪些性能指标
- 字体大小和颜色
- 显示位置和透明度
- 快捷键设置
通过从源码构建安装,用户可以确保获得最新版本的MangoHud,解决仓库版本过旧带来的各种兼容性问题,特别是在Wayland环境下的使用体验。
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-1.5暂无简介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