OpenKCC 项目使用教程
1. 项目目录结构及介绍
OpenKCC 项目的目录结构如下:
OpenKCC/
├── Assets/
│ ├── Demo/
│ ├── Documentation/
│ ├── Packages/
│ ├── ProjectSettings/
│ └── Versioning/
├── config/
├── githooks/
├── github/
├── vscode/
├── .editorconfig
├── .gitattributes
├── .gitignore
├── .markdownlint.json
├── .markdownlintignore
├── .vsconfig
├── CODE_OF_CONDUCT.md
├── Contributing.md
├── LICENSE.txt
├── README.md
└── authors.csv
目录结构介绍
-
Assets/: 包含项目的资源文件,如场景、脚本、材质等。
- Demo/: 包含项目的演示场景和相关资源。
- Documentation/: 包含项目的文档文件。
- Packages/: 包含项目依赖的 Unity 包。
- ProjectSettings/: 包含项目的设置文件。
- Versioning/: 包含项目的版本控制相关文件。
-
config/: 包含项目的配置文件。
-
githooks/: 包含 Git 钩子文件。
-
github/: 包含 GitHub 相关文件,如 issue 模板、PR 模板等。
-
vscode/: 包含 Visual Studio Code 的配置文件。
-
.editorconfig: 编辑器配置文件。
-
.gitattributes: Git 属性配置文件。
-
.gitignore: Git 忽略文件配置。
-
.markdownlint.json: Markdown 格式检查配置文件。
-
.markdownlintignore: Markdown 格式检查忽略文件配置。
-
.vsconfig: Visual Studio Code 配置文件。
-
CODE_OF_CONDUCT.md: 项目行为准则。
-
Contributing.md: 贡献指南。
-
LICENSE.txt: 项目许可证。
-
README.md: 项目介绍和使用说明。
-
authors.csv: 项目贡献者列表。
2. 项目的启动文件介绍
OpenKCC 项目的启动文件是 Assets/Demo/Scenes/ExampleFirstPersonKCC.unity。这个场景展示了如何使用 OpenKCC 的 Kinematic Character Controller (KCC) 来控制一个第一人称角色。
启动文件介绍
- ExampleFirstPersonKCC.unity: 这是一个 Unity 场景文件,包含了第一人称角色的控制逻辑和相关资源。启动项目时,可以直接打开这个场景进行测试和演示。
3. 项目的配置文件介绍
OpenKCC 项目的配置文件主要位于 Assets/ProjectSettings/ 目录下,以及项目根目录下的 .editorconfig 和 .gitattributes 文件。
配置文件介绍
-
ProjectSettings/: 包含 Unity 项目的各种设置文件,如输入设置、物理设置、图形设置等。
- EditorSettings.asset: 编辑器设置。
- GraphicsSettings.asset: 图形设置。
- InputManager.asset: 输入设置。
- Physics2DSettings.asset: 2D 物理设置。
- ProjectSettings.asset: 项目设置。
-
.editorconfig: 编辑器配置文件,定义了代码风格和格式化规则。
-
.gitattributes: Git 属性配置文件,定义了 Git 如何处理特定文件。
这些配置文件确保了项目的一致性和可维护性,同时也方便了开发者进行自定义配置。
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-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