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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0122
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07