NFO Viewer 技术文档
1. 安装指南
Linux
通过包管理器安装
NFO Viewer 为大多数流行的 Linux 发行版提供了软件包,所以最简单的安装方式就是通过你的发行版的包管理器进行安装。如果你的发行版没有打包该软件或者你需要一个比打包的版本更新的版本,可以阅读以下内容了解如何从 Flatpak 或源代码进行安装。
通过 Flatpak 安装
稳定版本可以通过 Flathub 获得。
可以通过在 flatpak 目录下运行 make install 命令来安装开发版本。你需要安装 make、flatpak-builder 和 gettext 来构建 Flatpak。
从源代码安装
NFO Viewer 需要 Python 3.8 或更高版本、PyGObject 3.0.0 或更高版本以及 GTK 4.0 或更高版本。你还需要一个支持 NFO 文件中常见的字形字体:Cascadia Mono 是一个不错的选择,如果可用,NFO Viewer 默认使用它。在安装过程中,你还将需要 gettext。在 Debian/Ubuntu 上,你可以使用以下命令安装这些依赖。
sudo apt install fonts-cascadia-code \
gettext \
gir1.2-gtk-4.0 \
python3 \
python3-dev \
python3-gi
然后,要安装 NFO Viewer,运行以下命令:
make PREFIX=/usr/local build
sudo make PREFIX=/usr/local install
Windows
由于工具链问题、结果不佳、时间不足和缺乏动力,Windows 安装程序已不再构建。Windows 可用的最新版本是 1.23。
2. 项目的使用说明
NFO Viewer 是一个用于查看 NFO 文件的简单查看器,NFO 文件是 CP437 编码的 ASCII 艺术形式。使用 NFO Viewer 而不是文本编辑器的优点包括预设的字体和编码设置、自动调整窗口大小和可点击的超链接。
3. 项目API使用文档
本项目目前未提供专门的 API 文档。由于 NFO Viewer 是一个图形界面应用,主要用于查看 NFO 文件,用户直接通过界面与程序交互,不需要通过 API 进行操作。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细说明,可以通过 Linux 发行版的包管理器、Flatpak 或源代码进行安装。请根据具体的操作系统和环境选择合适的安装方式。
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