probe-rs v0.26.0版本发布:嵌入式调试工具链的重大升级
probe-rs是一个开源的嵌入式调试工具链项目,它为嵌入式开发者提供了强大的调试、编程和测试功能。作为一个现代化的调试工具,probe-rs支持多种调试探针和芯片架构,能够与Rust生态系统无缝集成,为嵌入式开发带来了极大的便利。
新功能亮点
新增芯片支持
本次0.26.0版本带来了多项重要更新,其中最引人注目的是新增了对多款芯片的支持:
-
NXP Trimension OL23D0:这是一款可编程UWB(超宽带)控制器,现在probe-rs已经支持其运行、烧录和重置功能,包括RAM运行模式。这对于物联网和无线通信开发者来说是个好消息。
-
S32K14系列:NXP的汽车级微控制器系列,扩展了probe-rs在汽车电子领域的应用范围。
-
MIMXRT1040:NXP的i.MX RT系列跨界处理器,为高性能嵌入式应用提供了更多选择。
-
LPC80x系列:NXP的低成本微控制器,通过CMSIS-PACK序列支持,进一步丰富了probe-rs支持的芯片家族。
调试功能增强
-
RTT控制块完整性检查:增强了RTT(实时传输)控制块的完整性验证机制,现在能够更好地检测和拒绝部分损坏的数据块,提高了调试数据的可靠性。
-
nRF54L15解锁序列:新增了对Nordic nRF54L15系列设备的解锁支持,解决了之前可能遇到的连接问题。
-
ARM调试接口改进:在块传输失败后会自动清除粘性错误位,确保后续传输能够成功进行,提高了调试稳定性。
-
调试器分离重连:修复了ARMv7架构下调试器分离后无法重新连接的问题,特别是在固件大部分时间处于睡眠模式的情况下。
工具链改进
-
libtest选项支持:现在支持
--ignored和--include-ignored选项,为测试提供了更多灵活性。 -
进度条优化:改进了进度条的计时机制,现在速度和剩余时间估计更加准确。
-
调试器代码重构:将底层调试器代码移到了单独的
probe-rs-debugcrate中,提高了代码的模块化和可维护性。 -
目标定义改进:重命名了ARM调试接口中的
psel字段为更清晰的targetsel,并使其变为可选字段,提高了配置的灵活性。
问题修复
-
FlexRAM配置问题:修复了MIMXRT系列在固件修改FlexRAM配置后可能出现的烧录不稳定问题。
-
CMSIS-DAP探针连接:解决了CMSIS-DAP探针在查询数据包大小时的重试机制问题。
-
内存访问端口检查:在
probe-rs info命令中增加了对内存访问端口可用性的检查,避免无效操作。 -
反汇编改进:现在反汇编会考虑源文件的字节序而不是依赖主机字节序,解决了ARM Thumb v2代码的反汇编问题。
总结
probe-rs 0.26.0版本带来了多项重要更新,显著提升了工具的稳定性、功能覆盖范围和用户体验。特别是新增的芯片支持和调试功能增强,使得probe-rs能够更好地服务于更广泛的嵌入式开发场景。对于嵌入式开发者来说,升级到这个版本将获得更强大的调试能力和更稳定的开发体验。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00