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。
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