AppleALC 1.9.4版本发布:音频驱动优化与新设备支持
AppleALC是一个开源的macOS内核扩展项目,旨在为黑苹果(Hackintosh)用户提供原生的AppleHDA音频驱动支持。通过注入正确的音频布局ID,该项目能够实现与白苹果(正版Mac)相似的音频体验,支持内置扬声器、耳机插孔、麦克风等多种音频功能。
1.9.4版本更新亮点
最新发布的1.9.4版本带来了多项重要更新,主要包括对特定设备音频支持的增强和现有布局的优化。
新增音频布局支持
-
ALC298布局ID 17:专为三星NT950SBE笔记本添加,由开发者SkyFever贡献。这一新增布局将改善该型号笔记本在macOS系统下的音频输出质量。
-
ALC256布局ID 48和49:针对华硕X515JF-EJ012笔记本新增,由nikich768开发。这两个布局ID将帮助华硕用户获得更好的音频体验。
现有布局优化
-
ALC897布局ID 11:narcyzzo对PinConfig进行了更新,优化了该布局的引脚配置,可能解决了某些设备上的音频问题或提高了兼容性。
-
Controllers.plist更新:andreszerocross对控制器配置文件进行了更新,这一基础性改进可能影响多个音频编解码器的支持。
技术意义与用户影响
对于黑苹果社区而言,AppleALC的每次更新都意味着更多硬件设备能够获得接近原生的macOS音频体验。1.9.4版本特别关注了三星和华硕特定型号笔记本的音频支持,这些设备用户将直接受益。
PinConfig的更新通常涉及音频编解码器引脚的定义和路由,这类改进能够解决诸如耳机插孔检测、内置麦克风工作不正常等常见问题。而Controllers.plist的更新则可能为更多音频控制器提供基础支持。
使用建议
对于使用受影响设备的用户,建议:
- 确认自己的音频编解码器型号(如ALC298、ALC256等)
- 根据设备型号选择合适的布局ID进行测试
- 更新时注意保留原有EFI备份,以防出现兼容性问题
- 如遇到问题,可尝试不同的布局ID或参考社区讨论
对于开发者和高级用户,可以研究这些新增布局的具体实现,了解不同设备音频解决方案的差异,为自己的设备定制更合适的音频配置。
AppleALC项目持续为黑苹果社区提供高质量的音频解决方案,1.9.4版本的发布再次证明了开源社区协作的力量,让更多硬件设备能够在macOS系统下获得良好的音频体验。
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