本文将客观梳理目前流出的核心参数、技术架构、实际基准测试表现以及预期定价，评估这款全新 MoE 模型的实际战斗力。

一、 Kimi K3 核心技术规格

Kimi K3 采用了全新构建的基座架构，在参数规模、上下文窗口和多模态能力上较上一代 K2 系列有显著提升。

技术亮点解析：

1. 2.5T 混合专家模型 (MoE)： K3 并非 K2 系列的微调版本，而是基于全新的超大规模 MoE 架构重新训练，激活参数与综合计算效率大幅优化。
2. 1M 原生上下文： 支持直接输入整本书籍或完整复杂的代码仓库，并在长文本中保持极高的信息检索精度。
3. K3 Agent Swarm 机制： 支持大规模并行搜索与多任务并行批量处理，工具调用链深度及稳定性进一步提升。

二、 核心场景实测表现

在开发者的早期评测中，Kimi K3 在高阶编码、3D 图形渲染及轻量级游戏开发等领域展现出了极强的性能。

1. 代码生成与重构 (Coding)

• 表现评估： 实际测试中，Kkimi K3 的代码生成质量、逻辑严密性与主流第一梯队闭源模型 Claude Fable 5 互有胜负。
• 机制共识： 评测发现 K3 在处理未明示的底层实现时，输出了与 Claude 极其相似的代码组织逻辑，社区猜测其在训练或对齐阶段可能蒸馏了部分高阶闭源模型的数据。

2. 3D 与游戏开发能力

这是 Kimi K3 最具突破性的领域，其实测表现甚至在部分细分项目上超越了主流闭源旗舰：

• Three.js 场景渲染： 能够通过单次 Prompt 一体化生成具有动态光影和镜头轨迹的高完成度 3D 战争场景。
• 单文件游戏克隆： 仅凭单个 HTML 文件，即可直接一次性生成可运行的 Minecraft 基础克隆版或 Flappy Bird 游戏，无需反复 Debug 调整。
• 视觉细节还原： 在复杂的 3D 樱花盆景渲染测试中，K3 对扭曲树干、分层树冠等精细几何细节的理解和代码还原度均高于主流前沿模型。

三、 局限性分析

尽管 Kimi K3 展现了准 SOTA 级别的生成质量，但在目前的测试版本中，仍存在一个明显短板：

推理速度偏慢：

面对复杂、多步骤的深度推理或大型前端项目构建时，Kimi K3 的单次输出时间可能长达 20 至 35 分钟。它倾向于牺牲推理速度来换取更高质量、更少 Bug 的最终输出。

四、 定价与开源展望

1. 极具竞争力的性价比

根据月之暗面以往的 API 定价策略（如 K2.7 Code 的 $0.95/M 输入 Token），预计 Kimi K3 的商业化 API 定价仅为 Claude Opus 的十分之一左右。这意味着开发者能以极低的成本获取接近行业顶尖闭源模型的输出质量。

2. 是否开源？

Kimi 官方目前未对 K3 做出明确的开源承诺。鉴于其 2.5T 的超大体量，本地部署满血版对硬件要求极高，但未来可能释放的量化版本或低成本 API 依然非常值得期待。

五、 总结与相关链接

• 定位： 综合性能介于 GPT-5.6 与 Claude Fable 5 之间，在 3D 生成、前端设计及复杂编码上具备行业一流水平。
• 适用人群： 适合对代码质量、长文本处理有极致要求，且对推理耗时有一定容忍度的开发者与内容创作者。

资源通道：

• 体验 Kimi 相关 AI 服务，可访问 Kimi 官方平台。

该项目完全免费开源，支持 Vercel、Docker 和 Netlify 等多种部署渠道。即使没有 VPS 硬件，也能借助免费的云端 Serverless 平台，几分钟内构建出页面干净、无广告、支持自定义资源站的个人在线影视站。

核心特性

• 多平台部署支持：兼容 Vercel、Docker 及 Netlify，满足从零基础新手到 NAS/VPS 玩家的各类需求。
• 多端响应式设计：完美适配手机、平板及电脑端，界面清爽无广告。
• 支持线路优选：允许用户自定义资源站与优选接口，有效解决传统影视站图片加载失败、封面丢失及播放线路失效等痛点。
• 数据库同步（可选）：通过接入 Upstash Redis，可实现多账户数据隔离、跨设备播放记录同步和后台管理。

存储支持矩阵

不同的部署环境对数据持久化的支持情况如下：

提示：使用 LocalStorage 以外的 Redis 方案，方可启用多账户管理、历史记录云同步以及后台管理页面。

部署教程

方案一：Vercel 部署（推荐，适合无服务器新手）

利用 Vercel 的免费配额与全球 CDN，无需任何服务器成本即可快速上线。

1. 基础部署（LocalStorage 模式）

1. 访问 JoyFlix 官方仓库，点击 Fork 将仓库复制到您的个人 GitHub 账号中。
2. 登录 Vercel 官网，依次点击 Add New → Project，导入刚才 Fork 的仓库。
3. 在部署配置中，设置环境变量 PASSWORD（后台管理员密码）。
4. 保持其他默认设置，点击 Deploy 完成首次部署。部署成功后即可绑定自定义域名或使用 Vercel 提供的默认域名访问。

2. 进阶部署（结合 Upstash Redis 实现数据同步）

1. 访问 Upstash 官网 注册账号，新建一个 Redis 实例。
2. 复制该 Redis 实例的 HTTPS Endpoint 和 Token。
3. 返回 Vercel 的项目控制台，进入环境变量设置（Environment Variables），新增以下三个变量：
   • UPSTASH_URL：填写复制的 Endpoint 地址
   • UPSTASH_TOKEN：填写复制的 Token
   • NEXT_PUBLIC_STORAGE_TYPE：值设置为 upstash
4. 另外设置 USERNAME 和 PASSWORD 作为超级管理员账号。
5. 保存并重新触发项目部署（Redeploy）。

方案二：Docker 部署（适合 VPS / NAS 玩家）

如果您拥有群晖、威联通、飞牛等 NAS，或者独立的 Linux 服务器，推荐使用 Docker Compose 部署。该配置自带 Redis 容器，支持完整的账户隔离与同步功能。

1. 创建工作目录：

   1 2	mkdir -p /root/joyflix cd /root/joyflix

2. 配置容器清单：

   新建并编辑 docker-compose.yml 文件：

   1	nano docker-compose.yml

   写入以下配置（请自行修改 USERNAME 与 PASSWORD 默认凭据）：

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

   services: joyflix-core: image: ghcr.io/jeffernn/joyflix@sha256:453fd835de93538a880dce307680da0f20d805c575c6ddfe09557f7018a2a877 container_name: joyflix-core restart: unless-stopped ports: - "3000:3000" environment: - USERNAME=admin - PASSWORD=your_secure_password - NEXT_PUBLIC_STORAGE_TYPE=redis - REDIS_URL=redis://joyflix-redis:6379 depends_on: - joyflix-redis networks: - joyflix-network joyflix-redis: image: redis:alpine container_name: joyflix-redis restart: unless-stopped networks: - joyflix-network networks: joyflix-network: driver: bridge

3. 启动容器：

   1 2 3 4 5

   # 新版 Docker 命令 docker compose up -d # 旧版 Docker-compose 命令 docker-compose up -d

   部署完成后，通过 http://<您的IP>:3000 即可登录您的专属观影台。

方案三：Netlify 部署

1. Fork JoyFlix 官方仓库 到您的个人 GitHub。
2. 登录 Netlify，依次点击 Add New project → Importing an existing project，授权并导入该仓库。
3. 设置环境变量 PASSWORD 并部署。
4. 如需数据持久化，可在 Project Configuration → Environment variables 中同样配置 UPSTASH_URL、UPSTASH_TOKEN、NEXT_PUBLIC_STORAGE_TYPE=upstash 以及超管凭据，保存后重新触发构建即可。

资源归档与参考

• 项目源码：GitHub - jeffernn/joyflix
• Upstash 演示库：innocent-akita-115522.upstash.io

作为 Grok 系列的重要升级版本，Grok 4.5 重点针对软件开发、智能 Agent、工程计算及技术推理等场景进行了深度优化。目前，该模型已对拥有 X（Twitter）账户或 SuperGrok 账户的用户限时免费开放。

核心技术突破

1. 顶尖的软件工程与编码能力

Grok 4.5 在真实工程环境中的代码生成和复杂任务处理上取得了长足进步，支持 Rust、C/C++、Python、JS/TS 等多语言全栈开发。在多个国际编程基准测试中表现亮眼：

• SWE Marathon：以 29% 的准确率成功夺冠，超越了 Claude Opus 4.8 Max 和 Claude Fable Max。
• SWE Bench Pro：取得 64.7% 的高分，位列行业第三。
• DeepSWE 1.0：取得 62% 的成绩，仅次于 Claude Fable Max 和 OpenAI GPT-5.5 XHigh。
• Terminal Bench 2.1：取得 83.3% 的高分，位列第三。

2. 数万块 GB300 GPU 算力支撑

Grok 4.5 的预训练在数万块 NVIDIA GB300 GPU 构建的算力集群上完成。官方表示，训练过程不仅扩大了数据规模，更聚焦于高覆盖率的数据混合、领域去重与质量评分，确保了更高的数据信号密度。

3. 大规模异步强化学习（RL）

在强化学习阶段，xAI 引入了涵盖数十万个任务的异步训练平台。通过长达数小时的 Agent 持续运行、自动评分和模型自我反馈，显著提升了模型在多步骤软件工程和 Agent 工作流中的执行效率。

4. 2倍速度提升

Grok 4.5 的推理速度最高可达 80 TPS（Tokens Per Second），整体 Token 效率相比上一代提升约 2 倍，能够极速响应长上下文和复杂代码生成请求。

生产力与场景应用

Grok Build：默认升级至 Grok 4.5

Grok 4.5 已成为 Grok Build 的默认底座模型，大幅强化了日常办公和原型开发能力：

• 应用开发：支持通过一句自然语言（如：使用 Three.js 构建 3D 太阳系轨道模拟器）直接生成包含精美 UI 和完整交互的运行项目。
• 数据分析：支持构建复杂的 Excel 数据模型、自动编写跨工作表公式。
• 幻灯片与报告：支持使用 PowerPoint 原生形状绘制流程图，自动排版并生成结构清晰的 Word 报告。

安装与部署

为了方便开发者在本地终端快速体验，官方提供了 CLI 命令行一键安装脚本：

Windows (PowerShell)

在 PowerShell 中运行以下命令进行安装：

1

irm https://x.ai/cli/install.ps1 | iex

macOS / Linux / WSL

在终端中运行以下命令进行安装：

1

curl -fsSL https://x.ai/cli/install.sh | bash

体验渠道：除直接通过 CLI 体验外，用户也可以在 Cursor 或 Grok Build平台中直接调用限时免费的 Grok 4.5 进行开发协作。

该模型虽然仅有 10 亿（1B）参数，但在综合能力测试中表现惊人。根据 Artificial Analysis 公布的最新数据，MiniCPM5-1B 在 Sub-4B（40亿参数以下）开源模型排行榜中以 17.9 分 荣登榜首，超越了诸如 Qwen3.5-2B（16.3分）及多款更大尺寸的早期模型（如 Gemma 7B、Llama 7B）。

核心特性

• 超长上下文支持：支持高达 131,072 Token（128K） 的上下文窗口，可轻松处理整本电子书、大型项目源码或长篇 PDF 文档。
• Think / No Think 双模式：
  • Think 模式：适用于数学推理、复杂代码生成及多步骤逻辑分析。模型会消耗更多算力进行深度思考，提供高精度解答。
  • No Think 模式：适用于日常对话、翻译及快速写作。响应速度极快。
• 多平台支持：官方提供了包括 GGUF、MLX（适配 Apple Silicon）、Transformers、vLLM 和 SGLang 在内的多版本支持，对本地低配置设备极其友好。

模型与工具下载

1. 模型权重下载

根据本地硬件配置，您可以选择不同的 GGUF 量化版本：

• 官方源：Hugging Face 下载地址
• 打包镜像：打包下载点一 | 备用下载点二

2. 推理工具（llama.cpp）下载

• GitHub 官方源：llama.cpp Releases
• 一键集成包（含启动脚本）：打包下载点一 | 备用下载点二

本地部署教程（以 Windows 环境为例）

1. 准备目录结构：

   解压下载好的 llama.cpp 压缩包。在其根目录下新建一个名为 models 的文件夹，并将下载好的 .gguf 模型文件（例如 MiniCPM5-1B-F16.gguf）放入该文件夹中。

2. 配置一键启动脚本：

   在 llama.cpp 根目录下，新建一个空白文本文件，命名为 start_minicpm.bat。将以下批处理代码复制并保存至该文件中：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145

@echo off
setlocal EnableDelayedExpansion
title MiniCPM5-1B Professional Launcher

:: ==========================
:: Configuration
:: ==========================

set MODEL_DIR=models
set PORT=8080
set CONTEXT=131072

if not exist "llama-server.exe" (
    echo.
    echo ERROR:
    echo llama-server.exe not found.
    pause
    exit
)

:MODEL_MENU

cls
echo ================================================
echo            MiniCPM5-1B Launcher
echo ================================================
echo.
echo Select Model
echo.
echo 1. Q4_K_M  
echo 2. Q8_0
echo 3. F16 (Recommended)
echo.
echo 0. Exit
echo.

set /p MODEL=

if "%MODEL%"=="1" (
set MODEL_FILE=MiniCPM5-1B-Q4_K_M.gguf
goto CHECK_MODEL
)

if "%MODEL%"=="2" (
set MODEL_FILE=MiniCPM5-1B-Q8_0.gguf
goto CHECK_MODEL
)

if "%MODEL%"=="3" (
set MODEL_FILE=MiniCPM5-1B-F16.gguf
goto CHECK_MODEL
)

if "%MODEL%"=="0" exit

goto MODEL_MENU

:CHECK_MODEL

if not exist "%MODEL_DIR%\%MODEL_FILE%" (
echo.
echo Model not found:
echo.
echo %MODEL_DIR%\%MODEL_FILE%
echo.
pause
goto MODEL_MENU
)

:MODE_MENU

cls
echo ================================================
echo            Reasoning Mode
echo ================================================
echo.
echo 1. Think
echo 2. No Think
echo.
echo 0. Back
echo.

set /p MODE=

if "%MODE%"=="1" (
set THINK=1
goto START
)

if "%MODE%"=="2" (
set THINK=0
goto START
)

if "%MODE%"=="0" goto MODEL_MENU

goto MODE_MENU

:START

cls

if "%THINK%"=="1" (
set SYSTEM=You are a helpful AI assistant. Think carefully before answering.
set MODE_NAME=Think
)

if "%THINK%"=="0" (
set SYSTEM=You are a helpful AI assistant. Answer directly without exposing your reasoning.
set MODE_NAME=No Think
)

echo ================================================
echo              Starting Server
echo ================================================
echo.
echo Model   : %MODEL_FILE%
echo Mode    : %MODE_NAME%
echo Context : %CONTEXT%
echo Port    : %PORT%
echo.

echo Local Address:
ipconfig | findstr /R "IPv4"

echo.

start "" http://127.0.0.1:%PORT%

llama-server ^
-m "%MODEL_DIR%\%MODEL_FILE%" ^
-c %CONTEXT% ^
-ngl 999 ^
--flash-attn auto ^
--host 0.0.0.0 ^
--port %PORT% ^
--temp 0.6 ^
--top-p 0.95 ^
--min-p 0.05 ^
--repeat-penalty 1.05 ^
--seed -1

echo.
echo Server Stopped.
pause

提示：启动后脚本会自动打开浏览器，加载 http://127.0.0.1:8080 本地 Web 交互界面。若需要使用更高级的 Agent 流程，也可以将此本地 API 接入 Hermes【点击下载】 【备用打包下载】或 OpenClaw 等主流 Agent 框架，实现全本地化的自动化任务流。

一款开源的、注重隐私的文件处理平台。为用户提供一个本地的多功能工具集，让你的文件始终掌握在自己手里，而不是依赖第三方云服务。

核心特点：

• 多功能工具集：支持超过 200 种处理工具，涵盖 图片、视频、音频、PDF 和文件。
• 隐私优先：强调“你的文件属于你”，避免数据外泄。
• AI 加持：集成了 AI 能力，提升文件处理的智能化体验。
• 自托管/隔离环境：适合在 NAS、服务器或本地环境部署，满足对数据安全和独立性的需求。
• 开放源代码：托管在 GitHub，方便开发者参与和扩展。

安装

Docker Compose（快速体验版，部署这个就行）

1
2
3
4
5
6
7
8
9

services:
  snapotter:
    image: snapotter/snapotter:latest
    container_name: snapotter
    ports:
      - 1349:1349
    volumes:
      - ./data:/data
    restart: always

Docker Compose（生产版）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

services:
snapotter:
    image: snapotter/snapotter:latest
    container_name: snapotter
    ports:
      - 1349:1349
    environment:
      - DATABASE_URL=postgres://snapotter:snapotter@postgres:5432/snapotter
      - REDIS_URL=redis://redis:6379
    volumes:
      - ./data:/data
    depends_on: [postgres, redis]
    restart: unless-stopped

postgres:
    image: postgres:17-alpine
    container_name: postgres
    environment:
      - POSTGRES_USER=snapotter
      - POSTGRES_PASSWORD=snapotter
      - POSTGRES_DB=snapotter
    volumes:
      - ./pgdata:/var/lib/postgresql/data
    restart: unless-stopped

redis:
    image: redis:8-alpine
    container_name: redis
    volumes:
      - ./redisdata:/data
    restart: unless-stopped

参数说明（更多参数建议去看文档）

:::
DATABASE_URL（环境变量）：PostgreSQL 连接字符串

REDIS_URL（环境变量）：Redis 连接字符串

POSTGRES_USER（环境变量）：数据库用户名

POSTGRES_PASSWORD（环境变量）：数据库密码

POSTGRES_DB（环境变量）：数据库名称

:::

使用

浏览器中输入 http://NAS的IP:1349 就能看到界面

输入默认用户名和密码（admin/admin）

登录后会自动跳转到修改密码页面，按要求修改

修改完成，这里跳过就行

项目内置了 241 个工具，覆盖图片、视频、音频、PDF、文件五大类（其实还有 AI 相关功能，需要显卡和额外配置参数）

TIP：功能实在是太多了，大家可以简单看看有没有自己想要的功能，下面我也会简单测试常用的几个功能

支持多种图片格式转换

支持在线修剪视频

也可以对音频时长进行修剪

非常便捷的将 PDF 转为图片

将 Markdown 转 HTML，效果也都还不错

资源占用情况，对内存需求会大一些

总结

SnapOtter 是一款开源的文件处理平台，内置 241 个工具，覆盖图片、视频、音频、PDF、文件五大类——格式转换、压缩裁剪、PDF 转图片、视频修剪、Markdown 转 HTML，日常文件处理基本全覆盖。最大的优势是文件全程不离开本地，不会上传到第三方云端，隐私无忧。快速体验版部署极简一个容器就跑起来，生产版则需要额外配置 PostgreSQL 和 Redis。内存占用偏高，NAS 内存不充裕的需要留意。如果你不想每次处理文件都上传到在线工具，部署一个挺实用。

该方案将语音识别 (STT)、大语言模型 (LLM) 与语音合成 (TTS) 串联，并配有可视化交互界面。系统整体完全开源免费，在配备 4GB 及以上显存的本地电脑上即可流畅运行。

环境准备

在开始部署前，请确保系统中已安装并配置好以下基础组件：

1. Python 3.11：点击下载官方安装包，安装时务必勾选 **”Add Python to PATH”**。

2. Git：点击下载配置程序。

3. FFmpeg：以管理员身份打开 PowerShell，执行以下命令一键安装，完成后需重启 PowerShell 窗口使变量生效：

   1	winget install Gyan.FFmpeg

部署步骤

1. 初始化虚拟环境

打开 PowerShell，依序执行以下命令创建并激活独立的虚拟环境：

1
2
3
4
5
6
7
8
9

# 先激活环境
Set-ExecutionPolicy -Scope CurrentUser RemoteSigned

# 执行一键安装命令
cd C:\
mkdir s2s
cd s2s
python -m venv venv
.\venv\Scripts\Activate.ps1

当命令行前端出现 (venv) 标记时，说明已成功进入虚拟环境。

2. 安装核心依赖

在激活的虚拟环境中，安装 speech-to-speech 流水线及所需组件：

1
2
3

pip install speech-to-speech
pip install "huggingface_hub>=0.36.0,<1.0"
winget install ChrisBagwell.SoX

注意（显卡加速配置）：

默认安装的 PyTorch 可能为 CPU 版本。为了调用显卡提高响应速度，建议先卸载纯 CPU 版，再安装对应的 CUDA 12.4 运行库：

1 2	pip uninstall torch torchaudio -y pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

3. 配置本地大模型（基于 llama.cpp）

为了实现低延迟的本地推理，推荐使用免编译的 llama.cpp 作为后端服务：

1. 下载程序：前往 llama.cpp 官方 Releases 页面，根据你的显卡驱动下载最新版的二进制主程序包与运行时组件（如：win-cuda-12.4-x64 相关压缩包），解压合并至同一个文件夹中（例如 D:\llama）。

2. 下载中文大模型：在 (venv) 窗口中运行以下命令，将 Qwen3-4B-Instruct 的 GGUF 模型下载至本地：

   1	python -c "from huggingface_hub import snapshot_download; snapshot_download('unsloth/Qwen3-4B-Instruct-2507-GGUF', allow_patterns='*Q4_K_M.gguf', local_dir=r'D:\llama\models\qwen3-4b')"

3. 启动大模型服务端：新建一个独立的 PowerShell 窗口，进入 D:\llama 并运行：

   1	.\llama-server.exe -m .\models\qwen3-4b\Qwen3-4B-Instruct-2507-Q4_K_M.gguf -c 32768 -fa on --port 8080 -ngl 99

   注：-ngl 99 代表将模型所有层加载至 GPU 显存，--port 8080 为本地服务端口。若习惯使用 Ollama，可跳过此步并调整后续终端的 API 地址。

4. 启动语音对话核心服务

回到此前激活了 (venv) 的 PowerShell 窗口，将下述指令粘贴并回车（首次运行会自动下载 Whisper 和 Qwen3-TTS 模型）：

1
2
3
4
5
6
7
8
9
10
11
12
13

speech-to-speech `
--mode realtime `
--stt whisper `
--stt_model_name openai/whisper-large-v3 `
--language zh `
--llm_backend responses-api `
--model_name "unsloth/Qwen3-4B-Instruct-2507-GGUF" `
--responses_api_base_url "http://127.0.0.1:8080/v1" `
--responses_api_api_key "none" `
--responses_api_stream `
--tts qwen3 `
--qwen3_tts_language zh `
--enable_live_transcription

当控制台输出 Realtime server listening on ws://localhost:8765/v1/realtime 时，说明底层语音服务已就绪。

若显卡配置较低，可将 --stt_model_name 的参数变更为 openai/whisper-medium 以提高识别速度。

5. 部署前端可视化界面

再开启一个全新的 PowerShell 窗口，克隆前端 UI 代码并利用 uvicorn 托管：

1
2
3
4
5

cd C:\s2s
git clone https://huggingface.co/spaces/smolagents/hf-realtime-voice
cd hf-realtime-voice
pip install -r requirements.txt
uvicorn server:app --port 7860

调试与使用

1. 使用 Chrome 或 Edge 浏览器访问本地前端地址：[http://127.0.0.1:7860](http://127.0.0.1:7860)。
2. 首次进入界面后，点击 Settings，将本地语音地址（WS 地址）修改为 localhost:8765。
3. 点击页面中央的“交互球”并允许麦克风权限。当球体变为绿色时，即可直接进行普通话语音对话。

状态指示球说明：

• 绿/青色：系统就绪 / 正在接收或聆听你的语音。
• 琥珀色：大模型本地思考中。
• 紫色：AI 正在进行本地语音实时合成与回答。

更强模型下载

Qwen3.5 A3B 模型：【点击下载】 或 【更多模型下载】

下载将模型放入D:\llama\models 模型文件夹下，把把启动脚本里的模型文件名称改成你新放入的模型名称即可。

重启电脑后怎么使用？

你可以使用下方这个一键启动脚本来执行，它会自动依次弹出三个服务窗口、等各自加载好、最后打开浏览器。

一键启动脚本【点击下载】 或 【备用下载】

怎么用：

1. 把 启动语音对话.bat 下载下来，放一个好找的位置（比如桌面）
2. 双击运行
3. 它会自动：弹窗口1(大模型)→等20秒→弹窗口2(语音服务)→等30秒→弹窗口3(网页)→等6秒→自动打开浏览器
4. 浏览器打开后，进 Settings 填 localhost:8765，点球开始说话``

几个要注意的点：

① 那几个”等待秒数”可能要微调。 脚本里给大模型留了20秒、语音服务留了30秒。如果你机器加载慢，可能网页窗口起来了、语音服务还没好，导致第一次点球连不上——这时等语音服务窗口出现 running on http://0.0.0.0:8765 之后，刷新一下浏览器再点球就行。如果你发现每次都要等更久，告诉我，我把秒数调大。

② 三个服务窗口别关。 脚本主窗口(黑色那个提示信息的)可以关，但弹出的三个 cmd 窗口要留着，它们就是在跑服务。关掉哪个哪个服务就停了。

③ 第一次双击如果 Windows 拦截。 可能弹”Windows 已保护你的电脑”，点”更多信息”→”仍要运行”即可（因为是本地脚本、没有数字签名，属正常）。

④ 想改中文提示词。 网页 Settings 里的 Instructions（中文提示词）浏览器会自己记住，脚本不管这个，填一次以后就在。

先双击试一次，看三个窗口能不能都正常起来、浏览器能不能自动打开。如果哪个窗口报错、或者点球连不上，把情况告诉我，我帮你调脚本的等待时间或路径。

Linux方案：

WSL2（原生装不上时用这个）

WSL2 是 Windows 自带的 Linux 子系统，4090 能直通，Linux 依赖装起来最顺，对观众来说仍然是”在 Windows 电脑上”。

装 WSL2（管理员 PowerShell）：

1

wsl --install -d Ubuntu

重启后设个用户名密码，开始菜单搜 “Ubuntu” 进 Linux 终端。在里面跑 nvidia-smi 能看到 驱动版本号 就说明 GPU 直通成功了。

在 Ubuntu 里装（跟 Linux 一样）：

1
2
3
4
5

sudo apt update && sudo apt install -y python3-venv ffmpeg
python3 -m venv ~/s2s && source ~/s2s/bin/activate
pip install "qwentts-cpp-python==0.3.0+cu124" -f https://huggingface.co/datasets/andito/qwentts-cpp-python-wheels/tree/main/whl/cu124
pip install speech-to-speech
pip install "llama-cpp-python[server]"

启动命令和正文第三、四步一样，只是换行符改回 Linux 的斜杠 \、路径用 Linux 风格。网页部分照旧——WSL 里跑 python3 -m http.server 9000，Windows 上的 Chrome 直接访问 http://127.0.0.1:9000/voice-chat-client.html（WSL2 会自动把端口转发到 Windows）。

本次更新采用了 eKB (Enablement Package) 方式。如果你当前运行的是 Windows 11 24H2 或 25H2，仅需下载约 174KB 的启用包即可完成升级；若处于 23H2 及更早版本，则需通过完整 ISO 镜像进行安装。

核心功能更新亮点

1. 任务栏自由布局

Windows 11 终于回归了高度灵活性。用户现在可以将任务栏放置在屏幕的顶部、左侧、右侧或底部，并支持自定义图标大小及紧凑/默认模式切换，找回了 Windows 10 时代的操控体验。

2. 开始菜单深度定制

进入“设置”→“个性化”→“开始”，用户现可精细控制固定项目、最近使用文件及应用列表。原来的“推荐”区域已更名为“最近使用”，支持更明确的分类管理。

3. Windows 搜索回归本地化

针对用户长期反馈的搜索干扰问题，新版允许关闭网页搜索结果。开启此选项后，本地文件、应用及设置的搜索效率与准确性均有显著提升。

4. AI 搜索融入任务栏

搜索框内新增 Ask Copilot 功能，支持自然语言提问与 AI 辅助搜索。该功能默认可选，用户可在“设置”→“个性化”→“任务栏”中自由开启或关闭，体现了微软对用户自主权的尊重。

5. 更新机制优化

针对“强制自动重启”的痛点，26H2 优化了更新逻辑。除每月仅需一次重启外，系统支持更灵活的日历安排，且允许用户最长暂停更新 35 天，甚至支持无限循环暂停，非常适合办公场景。

6. 运行（Win + R）界面焕新

“运行”窗口采用了全新的 UI 设计，适配 Windows 11 视觉风格。同时引入了命令历史记录功能，极大提升了重复执行指令的效率。

7. 管理员保护机制

新增“超级管理员保护”功能：系统执行高权限任务时，自动创建并立即销毁临时管理员账户，有效防止恶意软件长期占用系统最高权限。

安装与升级方式

在线升级

打开“设置”→“Windows 更新”，开启“尽快获取最新更新”开关，等待系统推送即可。

手动安装（ISO 镜像）

若未收到推送，可下载预览版 ISO 进行安装（注：虽然镜像标签显示为 25H2，但安装后即为 26H2）：

• 前往官方下载 | 打包下载 | 备用下载

安装步骤：

1. 双击运行 setup.exe。
2. 按照向导接受协议。
3. 选择“保留应用和个人文件”进行无损升级。

硬件限制绕过（Rufus）

若遇到 TPM 2.0 或 CPU 不支持的情况，建议使用 Rufus【链接直达】 或【网盘下载】

最后更新于 2020.11.20：

• Rufus 3.13 (1.1 MB)
• Rufus 3.13 便携版 (1.1 MB)
• 其他版本 (GitHub)
• 其他版本 (FossHub)

制作启动盘，并在制作时勾选：

• 移除 TPM 2.0 限制
• 移除安全启动 (Secure Boot) 限制
• 创建本地账户（跳过强制联网登录）

总结： Windows 11 26H2 并非单纯的小版本迭代，而是对用户体验痛点的实质性解决。特别是任务栏位置的回归和本地搜索的优化，使得系统可用性大幅增强。建议用户通过官方渠道及时更新。

系统需求：

需要Windows 7以上的操作系统，无所谓32位还是64位，下载后开箱即用。

在这里我要借这个机会表达对那些把 Rufus 和这个网页翻译成各种语言的翻译者们的谢意。如果你发现 Rufus 可以支持你们使用的语言，你也应该感谢他们。

用法

下载可执行文件后直接运行 – 无需安装，绿色环保。

可执行文件已经进行数字签名，详情如下：

• “Akeo Consulting” (v1.3.0 或者更新的版本)
• “Pete Batard – Open Source Developer” (v1.2.0 或者更老的版本)

对DOS支持的说明：

如果你创建了一个DOS启动盘，但是没有使用美式键盘，Rufus 会尝试根据设备选择一个键盘布局，在那种情况下推荐使用 FreeDOS（默认选项）而不是 MS-DOS，因为前者支持更多的键盘布局。

对ISO支持的说明：

Rufus v1.10 及其以后的所有版本都支持从 ISO 镜像 (.iso) 创建可引导USB。

通过使用类似 InfraRecorder 或者 CDBurnerXP 之类的免费CD镜像烧录程序，可以非常方便的从实体光盘或者一系列文件中创建 ISO 镜像。

经小伙伴测试和我自己测试，软件依旧好用，所以再次给大家推荐，有需要的小伙伴及时收藏！

软件介绍

今天介绍两款图片去底去灰工具，一款是PictureCleaner，一款是拍照试卷去底工具。

第一款：PictureCleaner

PictureCleaner是一款‌完全免费‌的 Windows 本地图片处理工具，专门用来把拍歪、拍暗的文档照片变成清晰的扫描件。

主要的功能有以下几个方面:

图片预处理（七种）、漂白图片（三个算法）、四角透视校正图片（规格化A4、A5输出）、边缘裁切（可保留裁切部分为白边）、单位标尺（像素、毫米）、背景换色（可去除水印）、灰度增强、去除麻点、透明保存等功能

我以下面几个方面来介绍这款软件。

校正：我们平常用手机拍摄图片时，会把图片拍得歪歪斜斜的，这时候，我们点校正、四角检测，拖动四个角来调节所拍照片。

看看左边是完全校正后的显示，图片不再歪歪斜斜的。

注意：这里要在设置中选择A4纸，这样显示的图片就是A4格式，这样就完全纠正了图片。

漂白：我们平常扫描出的文档经常会有黑了一大块的现象出现，这时候，我们只要导入图片，然后选择“差异很”小，“自动保存”即可。

漂白后的效果非常好，比起黑了一大片来说，这最少看着不费劲，打印出来也不会有一大块墨迹！

彩色分离保留效果：个功能在色彩灯处，可以自己调节颜色，方法是点击按钮，软件就会自动的分级保留色彩。

上面这张图算比较夸张的，如果色彩颜色简单点的，分离效果会更好！

较暗调亮：对于较暗的图片，软件会自动的帮你调亮，这个在PS里的曲线调整里有这个功能。

其他功能挺多的，大家自己去探索。

第二款：照片去底色免费版

上面这款软件功能比较多，用起来也比较复杂，而照片去底气免费版功能相对就单一多了。

软件是傻瓜式的操作，把图片拖入软件中，再点【开始处理】，软件就能把底色给去除。

你可以拖入一张，也可以拖入多张图片进行批量处理。

软件有三个模式，分别为：“黑灰底色”、“浅色底色”和“自定义”，默认情况下我们使用“浅色底色”即可。

其他的大家自己去探索吧，软件就介绍到这里啦！

照片漂白去底

夸克：https://pan.quark.cn/s/74ba93021b46

百度：https://pan.baidu.com/s/5620ryNUMwjGGNvgN9nYdbg

迅雷：https://pan.xunlei.com/s/VOwQjaLFhvXNLfNm9H0TQmZKA1?pwd=pxhs#

今天推荐两款文件批量重命名工具，一款是拖把更名器，一款是文件批量重命名。

第一款：拖把更名器

拖把更名器，大小只有373K，非常非常小。且说到这个工具，我问我一资深网友，我说“拖把更名器这个软件好老啊，2002年开发的，你听说过吗？”他回我说“只有你才没听说过！”，我去，我问个软件名字而已，竟然被他鄙视了。

不过从侧面也知道，这款软件当时有点名气。而令我没想到的是，软件作者已经停更了快20年了，今天我在win11下打开，还是能打开使用。

不过打开时会报错，大家点确定即可。

使用方面，先点左上角的文件夹，然后找到需要更名的文件夹后，按Ctrl+A全选图片，把所有的需要更名的文件都导入到软件中。

软件的所有操作，在这里都可以预览，如果预览出的效果是我们想要的，那直接应用就好。

功能方面，有整体、替换、序号、添加、删除、扩展更名、标签命名和标签写入。每项都有不一样的更名方式。

整体这里可以把文件名改大写，改小写，还有第一个字母大小，扩展名改大写和小写，方法就是直接勾选即可。

替换这里，可以把文件名中的不需要的直接替换掉，比如截屏的图片全都带了Screenrecorder-，我想把它批量去掉，这里“替换成”后面，我留空即可。

软件改名功能里，我觉得比较实用的是“序号”的功能，可以自己选择预设的改名方式，也可以自定义模板。所有改名后的效果，都可以在【预览】中一眼看到。

至于添加、删除等其他功能，都非常简单，也是字面理解的意思。

设置好后，点这里的“应用”即可成功的改名。

软件其实挺好用的，大家自己去探索！

第二款：文件批量重命名

这款软件其实挺简单的，软件可以选择规则、添加编号、改后缀名。

软件的规则有“名称为中文”、“名称为英文”、“名称为中文和数字”等等6种。

大家选择相应的规则进行更改。

而在添加编号里，可以添加“开头加序号”、“末尾加序号”、“开头加字符”、“末尾加字符”。

另外，软件还可改后缀名，功能都很简单，我在这里就不细聊，大家有空去体验！

文件重命名软件：

夸克：https://pan.quark.cn/s/c1131c9e60bc

百度：https://pan.baidu.com/s/14EUH-7BZC0_tnA-eqfUmNg?pwd=8888 提取码：888

迅雷：https://pan.xunlei.com/s/VOwBMXGkkX7H-scffUKXuOj9A1?pwd=jme6#

今天给大家带来一款PDF工具，有需要的小伙伴及时收藏！

软件介绍

今天介绍两款软件，一款是PDF转长图，一款是Word转PDF。

第一款：PDF转长图

PDF是工作中经常接触到办公软件，我日常PDF是使用DC、金山、万兴等软件，这些都是最好用的PDF工具。不过就PDF转图片来说，绝大部分软件只有一页一页的转，并不能把多页PDF转成长图。

今天给大家推荐的“PDF转长图”的工具可以实现这个功能，软件是绿色版，双击“PDF2Longimg.exe”打开软件。

软件的界面干净简洁，使用也非常简单。

把PDF拖入软件中，然后选择图片清晰度，再选择每张长图的图片数量，选择保存路径，最后点【开始转换】

注意这里的图像清晰度等级有5级，级别越高图片越清晰。

第二款：Word转图片型PDF

要说Word转PDF，好像没有专门的工具，某些大厂有这个功能，但是也是收费的。所以我们一般是先把Word转成图片，再把图片转成PDF，用这种曲线求国的方式来实现转换。

今天介绍的这款软件可以实现Word转PDF，软件是绿色版，其功能有“WORD转图片型PDF”、“输出图片”、“PDF转图片型PDF”的功能。

我们选择Word文档，然后点“WORD转图片型PDF”，最后点【开始处理】即可。

值得注意的是：处理后的PDF文档是图片型的，不是文字弄的。其他的大家自己去体验，软件就介绍到这里啦！

PDF转长图和Word转PDF

夸克：https://pan.quark.cn/s/15cbe8c132f7

百度： https://pan.baidu.com/s/1AZ6F3hKiWfMKOM8f3qp4mQ?pwd=8888 提取码: 8888

迅雷：https://pan.xunlei.com/s/VOYdgkgS2Kb1Tp0VbGW-uq8xA1?pwd=kgty#

这意味着用户无需购买 ChatGPT Plus，也无需申请 OpenAI API Key，即可在各类 AI 客户端中直接调用 GPT-4o 及更先进的模型，并对接本地 AI Agent 进行自动化任务。

核心亮点

• 完全免费： 无需 OpenAI 订阅或 API 费用。
• 兼容性强： 支持标准 OpenAI 接口，可直接接入 Cherry Studio、Open WebUI 等主流 AI 客户端。
• 功能扩展： 可直接连接本地 AI Agent，实现自动化工作流。

工作原理

该项目本质上是通过 Playwright 自动控制浏览器模拟用户登录后的 Copilot 网页端，并将交互过程封装为标准的 API 格式。

调用链路：

用户程序 → Windows-Copilot-API → Playwright → Copilot Web → 微软服务器

部署指南

环境要求

• Python: 3.11 或更高版本
• 系统: 支持 Windows、macOS 及 Linux
• 账号: 拥有一个已登录的微软 Copilot 账号

部署步骤

1. 准备环境

   在终端中设置 Python 虚拟环境并安装依赖：

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

   # 开放PowerShell相应的权限 Set-ExecutionPolicy -Scope CurrentUser RemoteSigned # 创建并激活虚拟环境 # Windows（PowerShell）: python -m venv venv venv\Scripts\Activate.ps1 # macOS/Linux: python3 -m venv venv source venv/bin/activate # 安装依赖环境 pip install -r requirements.txt # 安装浏览器自动化框架 playwright install chromium

2. 登录授权

   运行以下命令进行登录，保持弹出的浏览器窗口开启，完成验证：

   1	python -m copilot login

3. 启动服务

   启动本地服务：

   1	python app.py

   启动后，服务将运行在 [http://127.0.0.1:8000/v1](http://127.0.0.1:8000/v1)。

对接 AI 客户端（以 Cherry Studio 为例）

Cherry Studio 下载： 【点击前往】或 【备用下载】

在 Cherry Studio 的“自定义服务提供商”配置中，填入以下信息：

• Base URL: http://127.0.0.1:8000/v1
• 模型名称: 自定义（如 gpt-5）
• API Key: 任意字符串（不可留空）

总结与建议

Windows-Copilot-API 为个人用户提供了一种高效利用微软 AI 服务的路径，非常适合日常文案生成、代码辅助及自动化脚本调用。

注意事项：

• 并发限制： 由于模拟了网页端对话，该方案不支持高并发，仅适用于个人使用。
• 使用规范： 建议适度使用，避免因异常请求触发微软的封控机制。
• 风险提示： 逆向项目具有时效性，微软对网页端的更新可能导致服务失效。

本次开源支持本地部署、LoRA 微调以及 ComfyUI 工作流，让用户能够彻底摆脱云端限制，在本地环境中实现高精度的商业级创作。

核心特性

• 卓越的文字与布局能力：深度优化文字生成与排版，支持结构化 JSON Prompt，精准控制图片内容、布局及光照。
• 顶尖的性能基准：在布局控制（7Bench）、空间推理（SpatialGenEval）及文本渲染（X-Omni OCR）等基准测试中表现出色。
• 商业级创作体验：在专业设计师盲测中，Ideogram 4 的胜率远超同类开源模型，能够精准还原设计稿需求。

本地部署指南

为获得最佳创作体验，建议使用 ComfyUI 进行部署。

1. 模型准备

请下载以下模型文件，并按目录结构存储：

• 模型存储目录：ComfyUI/models/
  • diffusion_models/: ideogram4_fp8_scaled.safetensors, ideogram4_unconditional_fp8_scaled.safetensors
  • text_encoders/: qwen3vl_8b_fp8_scaled.safetensors, gemma4_e4b_it_fp8_scaled.safetensors
  • vae/: flux2-vae.safetensors

下载 Ideogram 4 开源模型

（1）模型打包（推荐）：【点击下载】或 【备用下载】

（2）单独下载：【ideogram4_fp8_scaled】、【ideogram4_unconditional_fp8_scaled】、【qwen3vl_8b_fp8_scaled】、【gemma4_e4b_it_fp8_scaled】、【flux2-vae】

2. 软件环境

请确保安装最新版本的 ComfyUI 客户端，以兼容最新的生图工作流。

【点击前往】或 【备用下载】

3. 工作流导入

下载对应的 ComfyUI 工作流配置文件，直接拖入软件界面即可加载使用。

【点击下载】或 【备用下载】

实测参考 (Prompt 示例)

Ideogram 4 的强大之处在于对复杂描述的精确解析。以下是一个简单的场景描述示例：

A high-resolution portrait photograph of a stunning mixed Asian woman with distinctive K-pop inspired styling and natural beauty. She has flowing long black hair that cascades over her shoulders, large expressive dark eyes with subtle makeup, and naturally full lips that create a captivating smile. Her slim, athletic figure is elegantly posed in a confident yet playful stance, wearing delicate sheer lingerie in soft neutral tones. The scene is illuminated by warm, intimate bedroom lighting that creates a golden glow across her detailed, flawless skin, with soft shadows adding depth and dimension to the portrait.

通过使用结构化 JSON Prompt，你可以进一步细化每一个元素的坐标、材质与光照表现，从而实现对最终输出结果的深度掌控。

Ideogram 4 的开源为本地 AI 创作生态补齐了商业级视觉输出的最后一块拼图。无论你是 UI 设计师还是数字艺术创作者，这款模型都值得在你的本地工作站上进行部署与尝试。

开源大模型生态再次迎来高性能推理利器。近期发布的 Qwythos-9B-Claude-Mythos-5-1M 引起了本地 AI 社区的广泛关注。该模型通过后训练技术，将 Claude Mythos 和 Claude Fable 的高质量推理能力成功迁移至 9B 参数规模，在保证轻量化部署的同时，提供了极强的逻辑推理与长文本处理能力。

核心特性

• Claude 风格推理： 基于 Qwen3.5-9B 架构，利用超过 5 亿条高质量推理轨迹进行后训练，具备完整的思维链（Chain of Thought）表现。
• 百万级上下文： 原生支持 1,048,576 Token 超长上下文窗口，适用于长文档分析、代码库阅读及复杂 Agent 工作流。
• 极致轻量： 提供 GGUF 格式，支持多种本地部署工具，最低仅需 4GB 显存即可运行。
• 多模态能力： 同步发布视觉投影文件，支持图片分析、OCR 及图表理解。
• 标准兼容： 支持原生 Function Calling，可直接对接各类工具与 Agent 系统。

性能表现简述

根据开发团队 Empero AI 公布的数据，Qwythos 在推理基准测试中表现出色：

部署指南

Qwythos 提供 GGUF 版本，推荐使用 llama.cpp、OpenWebUI、Cherry Studio 或 OpenClaw 进行部署。

显存需求参考

快速部署步骤

1. 准备模型：

   （1）下载Qwythos模型

   【Huggingface】或 【打包下载】或 【备用下载】对应的 GGUF 模型文件及视觉投影文件（mmproj）。

   （2）安装llama.cpp

   下载方式：GitHub 下载【点击前往】、或【备用下载】、【网盘下载】 内含启动脚本

   （3）一键启动脚本【点击下载】或 【备用下载】

2. 设置目录： 在本地创建 models 文件夹，并将下载的模型文件存入其中。

3. 运行环境： 使用 llama-server 启动服务，监听本地端口（如 127.0.0.1:8080），即可通过 OpenAI 兼容接口连接至你的前端工具。

提示： 针对不同显存配置，建议合理分配上下文长度（Context Length），以确保最佳推理速度与显存占用平衡。

总结

Qwythos-9B 证明了轻量化模型在深度推理与长文本任务上的潜力。对于追求高性价比本地部署方案，或需要处理海量文档、复杂代码项目的开发者而言，这款模型是目前 9B 参数级别中极具竞争力的选择。

核心亮点

1. 稳定的百万级上下文

GLM 5.2 实现了真正的 100 万 Token 上下文窗口。这一特性使其在处理大型代码库、整合多份文档知识库以及维持长周期 Agent 任务方面表现卓越，解决了长文本处理中常见的性能衰减问题。

2. Agent 编程能力登顶

GLM 5.2 是首个在 Terminal-Bench 测试中突破 80% 成绩的开放权重模型。它在真实终端环境下展现了极高的任务规划、命令执行及调试能力，标志着开源模型在自动化开发场景下正式具备了与顶级闭源模型正面竞争的实力。

3. 底层架构创新

• IndexShare 架构：通过四层稀疏注意力层共享索引器，在 1M 上下文环境下将 FLOPs 降低了约 2.9 倍，显著提升了处理效率并降低了推理成本。
• 改进的 MTP 推测解码：优化了多 Token 预测（MTP）层，推测性解码接受长度提升最高达 20%，有效减少了生成延迟。

硬件与部署指南

由于 GLM 5.2 采用 MoE（混合专家）架构，总参数规模约为 753B，这对硬件配置提出了极高要求。

硬件需求参考

推理框架支持

目前主流推理框架已提供良好适配，包括：

• SGLang
• vLLM
• Transformers
• KTransformers
• Ascend NPU 生态

资源链接

对于大多数个人用户，建议先通过在线平台体验其能力：

1、官方体验地址【点击前往】

2、Hugging Face 在线体验【链接直达】

GLM 5.2 模型下载

1、官方满血版 【点击下载】

2、GLM 5.2 量化版 【点击前往】

GLM 5.2 的发布对开源社区意义深远。虽然 753B 的规模限制了大部分人的本地部署，但其开源性质将推动后续蒸馏、微调版本的出现（如 70B、32B 等），最终将使广大开发者受益。

通过在手机端运行轻量级 Web 服务，PlainApp 允许用户在同一局域网下，仅通过浏览器即可高效管理设备数据。

核心优势

• 纯本地运行： 基于局域网通信，无需注册账号，不依赖第三方云服务器中转，数据隐私更有保障。
• 无需桌面客户端： 任何支持浏览器的设备（电脑、平板）均可作为控制端，彻底摆脱安装软件的束缚。
• 开源与轻量： 基于 AGPL-3.0 协议开源，界面简洁，无广告干扰。

主要功能清单

PlainApp 提供的管理能力涵盖了日常办公与设备维护的常用需求：

• 文件管理： 支持浏览、上传、下载、重命名、移动及删除内部存储及外置存储文件。
• 多媒体预览： 直接在浏览器中查看相册、播放视频与音乐，无需先行下载。
• 通信与通知： 支持短信查看与发送、通话记录查询，并可将手机通知实时镜像至桌面。
• 应用管理： 查看已安装应用列表，支持导出 APK 文件，便于备份与跨设备迁移。
• 屏幕实时镜像： 基于 WebRTC 提供最高 30fps 的实时屏幕投屏与音频同步。
• 内置工具箱： 集成 Markdown 笔记、RSS 阅读器、P2P 聊天/文件分享、番茄钟、声级计及投屏服务（DLNA/Chromecast）。

使用场景与注意事项

适用场景

PlainApp 非常适合在家庭、办公室等固定 WiFi 网络环境下使用，可极大简化文件传输、短信回复及设备监控的繁琐流程。

使用限制与边界

• 网络环境： 仅支持同一局域网访问，不具备内网穿透能力。
• 系统要求： 需 Android 9.0 及以上系统。
• 安全提示： 由于应用涉及手机文件、短信等敏感权限，建议仅在受信任的局域网内开启服务，并避免将访问地址暴露在公网。
• 证书警告： 初次访问 HTTPS 地址时，浏览器可能提示证书不可信，可手动选择“继续前往”。
• 功耗控制： 屏幕镜像与持续运行可能增加耗电，请确保系统后台运行策略已允许该应用常驻。

获取与资源

如需深入了解项目细节或获取安装文件，请访问以下官方渠道：

• PlainApp 官方网站：查看完整功能说明及下载渠道。
• GitHub 项目主页：获取源码、AGPL-3.0 协议详情及最新版 APK 下载。

注：PlainApp 是一款专注于本地化管理的工具，并非远程控制软件。在进行跨设备操作时，请确保网络环境安全并根据实际需求开启必要权限。

Mac Sai 是一款采用 Swift 6 原生开发的开源系统维护工具，旨在为用户提供透明、无订阅、无广告且无数据遥测的免费替代方案。

核心功能概览

Mac Sai 将多种常用的系统维护需求集成在一个轻量级客户端中，无需安装多个独立工具。

• 系统清理与精简：支持扫描用户缓存、系统日志、iOS 备份及 Xcode 缓存等垃圾文件。针对搭载 M 系列芯片的设备，提供 Universal Binary 精简 功能，可移除应用内不必要的架构文件，进一步释放空间。
• 应用深度卸载：提供卸载器功能，自动查找并清理常规拖拽删除所留下的配置文件、缓存及 Library 目录残留。
• 磁盘空间分析：内置 Space Lens 可视化视图，通过方形树图直观展示磁盘占用情况，快速定位大型文件与冗余目录。
• 基础安全防护：基于签名的轻量级恶意软件扫描，可检查 Launch Agents、浏览器扩展及已知恶意特征文件。
• 菜单栏监控与维护：实时监控 CPU、内存、电池及网络状态；内置维护脚本，包括内存释放、Spotlight 重建、DNS 刷新及 Time Machine 快照整理等。

工具对比：为什么选择 Mac Sai？

相较于其他单功能或特定侧重的免费工具，Mac Sai 的优势在于“一站式”体验。

安装说明

Mac Sai 支持 macOS 14 (Sonoma) 及以上系统。用户可通过以下两种方式安装：

1. Homebrew 安装

如果您已配置 Homebrew 环境，请在终端执行：

1

brew tap iliyami/macsai && brew install --cask mac-sai

2. 手动下载

前往 Mac Sai GitHub Releases 页面，下载最新的 .dmg 安装包，将其拖入“应用程序”文件夹即可。

使用提示与注意事项

• 权限授予：为了实现深度清理与恶意软件扫描，该工具需要“完全磁盘访问”权限。请在「系统设置」-「隐私与安全性」中进行授权。
• 谨慎操作：清理前建议核对扫描列表，避免误删不确定的配置文件。
• 安全定位：Mac Sai 的恶意软件扫描仅提供基础安全检查，不可替代专业的实时防病毒软件。

开源资源链接：

• GitHub 项目主页
• 最新版本下载

本文将为您提供一份从模型部署到 Agent 接入的详细技术指南，助您实现“无限 Token、零订阅费用”的 AI 办公自由。

核心优势

• 完全本地化：无需付费 API，没有 Token 消耗限制，隐私安全更有保障。
• Agent 专用：针对任务执行、工具调用进行了深度优化，性能超越 Qwen 3.5 35B A3B 模型。
• 部署灵活：支持多种显存配置，无论是中高端显卡还是 Apple Silicon，都能找到适配的版本。

第一步：部署运行环境 (Llama.cpp)

为了获得最佳的运行效率，我们推荐使用 llama.cpp 进行本地部署。

1. 下载与准备：前往 GitHub 下载【点击前往】、或【备用下载】、【网盘下载】 内含启动脚本 llama.cpp。
2. 创建目录：解压后，在根目录下创建一个名为 models 的文件夹，用于存放模型文件。

第二步：选择并下载模型

根据您的硬件配置，请下载对应尺寸的 GGUF 格式模型（必须包含主模型文件与视觉模型文件）：

模型合集下载：【链接直达】或 【打包下载】或 【备用下载】

不同分类尺寸

35B：【点击前往】或 【打包下载】、【备用下载】

9B ：【点击前往】或 【打包下载】、【备用下载】

4B ：【点击前往】或 【打包下载】、【备用下载】

0.8 ：【点击前往】或 【打包下载】、【备用下载】

因为我们使用Llama.cpp来加载本地模型，所有必须选择GGUF格式的模型文件，模型文件含主模型和视觉模型，都需要下载下来

第三步：配置启动脚本

将下方的启动脚本另存为一个bat批处理文件，或者【直接下载】【备用下载】脚本文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140

@echo off
chcp 65001 >nul
title Holo 3.1 VLM 一键启动器

set LLAMA=llama-server.exe

:MENU
cls

echo ==========================================
echo         Holo 3.1 VLM 启动器
echo ==========================================
echo.
echo 1. 8GB显卡推荐（0.8B）
echo 2. 12GB显卡推荐（4B）
echo 3. 16GB显卡推荐（9B）
echo 4. 24GB显卡推荐（35B-A3B）
echo.
echo 5. CPU模式（4B）
echo.
echo 0. 退出
echo.

set /p CHOICE=请选择：

if "%CHOICE%"=="1" goto GPU8
if "%CHOICE%"=="2" goto GPU12
if "%CHOICE%"=="3" goto GPU16
if "%CHOICE%"=="4" goto GPU24
if "%CHOICE%"=="5" goto CPU
if "%CHOICE%"=="0" exit

goto MENU

:: ==========================================
:: RTX 8GB
:: ==========================================

:GPU8

"%LLAMA%" ^
-m models\Holo-3.1-0.8B.i1-Q6_K.gguf ^
-ngl 999 ^
-c 8192 ^
-fa ^
--cache-type-k q4_0 ^
--cache-type-v q4_0 ^
--temp 0.2 ^
--top-p 0.9 ^
--host 127.0.0.1 ^
--port 1234

pause
goto MENU

:: ==========================================
:: RTX 12GB
:: ==========================================

:GPU12

"%LLAMA%" ^
-m models\Holo-3.1-4B.Q8_0.gguf ^
--mmproj models\Holo-3.1-4B.mmproj-Q8_0.gguf ^
-ngl 999 ^
-c 16384 ^
-fa ^
--cache-type-k q4_0 ^
--cache-type-v q4_0 ^
--temp 0.2 ^
--top-p 0.9 ^
--host 127.0.0.1 ^
--port 1234

pause
goto MENU

:: ==========================================
:: RTX 16GB
:: ==========================================

:GPU16

"%LLAMA%" ^
-m models\Holo-3.1-9B.Q8_0.gguf ^
--mmproj models\Holo-3.1-9B.mmproj-q8_0.gguf ^
-ngl 999 ^
-c 24576 ^
-fa ^
--cache-type-k q8_0 ^
--cache-type-v q8_0 ^
--temp 0.2 ^
--top-p 0.9 ^
--host 127.0.0.1 ^
--port 1234

pause
goto MENU

:: ==========================================
:: RTX 24GB
:: ==========================================

:GPU24


"%LLAMA%" ^
-m models\q4_k_m.gguf ^
--mmproj models\mmproj.f16.gguf ^
-ngl 999 ^
-c 65536 ^
--flash-attn on ^
--cache-type-k q8_0 ^
--cache-type-v q8_0 ^
--temp 0.2 ^
--top-p 0.9 ^
--repeat-penalty 1.05 ^
--host 127.0.0.1 ^
--port 1234

pause
goto MENU

:: ==========================================
:: CPU模式
:: ==========================================

:CPU

"%LLAMA%" ^
-m models\Holo-3.1-0.8B.i1-Q6_K.gguf ^
-ngl 0 ^
-c 4096 ^
--threads 16 ^
--temp 0.2 ^
--host 127.0.0.1 ^
--port 1234

pause
goto MENU

注意：脚本的模型文件名称还有路径，你可以自定义修改，相关的启动参数优化已经帮你设置好，当然也可以根据需要进行修改。启动以后会安装Node.js环境等，启动后会看到如下界面，最后选择适合自己的模型大小启动即可

第四步：接入 OpenClaw 自动化框架

部署好 Holo 3.1 模型服务后，即可接入 OpenClaw 实现浏览器自动化操作。

1. 安装命令：

   • Windows: powershell -c "irm https://openclaw.ai/install.ps1 | iex"
   • macOS/Linux: curl -fsSL https://openclaw.ai/install.sh | bash

2. 配置连接：在 OpenClaw 设置中，将 API Base URL 设置为 http://127.0.0.1:1234/v1，密钥留空。

3. 安装浏览器技能：

   1 2	openclaw skills install agent-browser-cli openclaw skills install use-my-browser

4. 重启服务：运行 openclaw gateway 重启，即可开始使用。

总结

Holo 3.1 结合 OpenClaw 的方案，是当前实现本地 AI Agent 最为高效的路径之一。它不仅大幅降低了重度用户的成本，还在浏览器自动化等任务中展现出了极高的执行速度。对于追求生产力效率与隐私保护的开发者及重度用户而言，这套方案极具参考价值。

一款功能强大的通用摄像头流媒体服务器，专为解决安防监控领域的视频协议兼容性与低延迟传输难题而设计。它能够作为一个高效的中转网关，将各类传统的监控视频流汇聚并转换为现代化的 Web 友好协议。

TIP：由于 Go2rtc 功能非常多，就不展开详细介绍，本篇主要简单介绍如何配置小米摄像头获取 RTSP 地址

安装

Docker Compose

1
2
3
4
5
6
7
8
9
10
11
12
13

services:
  go2rtc:
    image: alexxit/go2rtc:latest
    container_name: go2rtc
    network_mode: host
    privileged: true
    ports:
      - 1984:1984
    environment:
      - TZ:Asia/Shanghai
    volumes:
      - ./config:/config
    restart: always

参数说明（更多参数建议去看文档）
TZ（环境变量）：设置时区

/config（路径）：配置文件

网络模式选择：

官方默认使用 host 模式，当然也可以桥接只暴露常用的 1984 和 8554 端口。至于为什么额外多写了 1984 端口，是为了 NAS 系统 Docker 里有跳转链接，所以也将端口号标出来。

使用

浏览器中输入 http://NAS的IP:1984 就能看到界面

点击顶部导航栏的“add”按钮

滑动到最底部就能看到“Xiaomi”，点击展开

填写小米账号信息（手机号和密码）进行登录

登录成功之后，点击加载设备

等下会用到这个 URL 链接（如果后面联动其他容器应用也是要的）

来到 config 页面，需要先配置才能正常使用

TIP：下面出现的参数说明

1
2
3
4
5
6
7
8
9
10
11
12

小米在 go2rtc 的画质等级
subtype=0：auto（自动）
subtype=1：SD（标清）
subtype=2：HD（高清）
subtype=3：FHD（超清）
subtype=4–5：部分新机型更高画质

video=copy
视频不转码、直接复制，省 CPU、低延迟

audio=pcmu
音频转成 PCMU 格式，浏览器 / 网页播放兼容最好

需要先配置视频流，参考下面的格式

1
2
3
4
5

streams:
  xiaomi_auto:
    - "xiaomi_url&subtype=0#video=copy#audio=pcmu"
  xiaomi_4k:
    - "xiaomi_url&subtype=3#video=copy#audio=pcmu"

替换 xiaomi_url 为之前获取的 URL 链接，点击保存重启

跳转到首页，就能看到添加的视频流

可以正常直接打开观看

回到 config 页面，下面还需要配置当前 Go2rtc 后台用户名和密码

1
2
3
4

api:
  listen: ":1984" # 网页后台端口
  username: admin
  password: "password"

再次刷新网页，就需要用户名和密码才能登录了

接下来配置 RTSP 协议流的用户名和密码，避免直接暴露

1
2
3
4

rtsp:
  listen: ":8554" # RTSP 端口
  username: admin
  password: "password"

TIP：访问 RTSP 的格式

1
2
3
4
5
6
7

# 无密码
rtsp://NAS的IP:8554/xiaomi_auto
rtsp://NAS的IP:8554/xiaomi_4k

# 开启密码认证
rtsp://admin:password@NAS的IP:8554/xiaomi_auto
rtsp://admin:password@NAS的IP:8554/xiaomi_4k

这样基本都配置完，可以复制 RTSP 流连接到其他需要软件上调用了

总结

Go2rtc 是一款通用摄像头流媒体服务器，能把各品牌摄像头的视频流转换为 RTSP/WebRTC/HLS 等通用协议，方便接入 Home Assistant、Frigate 等平台。以小米摄像头为例，登录小米账号即可获取 RTSP 流，跟着教程配置不难，但自己折腾还是有一定门槛。家里有摄像头想接入智能家居或 NAS 监控的，值得一试。

一个极简内核扩展(kext)，把国行 Mac 的区域码从 CH/A 改成美版 LL/A，绕过 Apple 智能的地区锁，让 macOS 27 的国行机用上完整的端侧 AI + 云端 Private Cloud Compute。

Github地址

https://github.com/SkyBlue997/enableMacosAI

功能

• 端侧 Apple 智能：本地写作工具、Genmoji、图乐园、Foundation Models
• 云端 PCC 功能：语气改写、ChatGPT 扩展等需要联网的 AI 能力
• 支持 macOS 27 / Apple Silicon，实测 Mac15,9（M3 Max）

安装

一键安装（推荐）：

1

sudo ./install.sh

脚本会自动检查 SIP 状态、清理会搞坏 PCC 的 amfi_get_out_of_my_way 启动参数、装 kext、配开机自启、刷新 AI 守护进程。首次装完要去「系统设置 → 隐私与安全性」点一下允许，然后重启。

其他命令：

1

sudo ./install.sh status      # 查看 SIP / AMFI / 区域 / kext 状态sudo ./install.sh uninstall   # 卸载还原

前置条件（缺一不可）

• SIP 必须关闭（恢复模式里 csrutil disable）
• AMFI 必须保持开启，绝对不能加 amfi_get_out_of_my_way=1 启动参数，否则 SEP 拒绝给 PCC 出硬件证明，云端 AI 直接废掉
• 首次加载 kext 需要手动点允许 + 重启

手动安装（如果你不想用脚本）：

1

sudo cp -R RegionSpoof.kext /Library/Extensions/sudo chown -R 0:0 /Library/Extensions/RegionSpoof.kextsudo cp region-kext-load.sh /usr/local/bin/ && sudo chmod +x /usr/local/bin/region-kext-load.shsudo cp com.local.regionkext.plist /Library/LaunchDaemons/sudo kmutil load -p /Library/Extensions/RegionSpoof.kext

验证装好了没

1
2

# 看 region-info 是不是 LL/Aioreg -ard1 -c IOPlatformExpertDevice | plutil -p - | grep region-info
# 看 GREYMATTER 资格是不是 4（eligible）sudo /usr/libexec/PlistBuddy -c 'Print :OS_ELIGIBILITY_DOMAIN_GREYMATTER:os_eligibility_answer_t' /private/var/db/eligibilityd/eligibility.plist

卸载

1

sudo launchctl bootout system/com.local.regionkext 2>/dev/nullsudo rm -f /Library/LaunchDaemons/com.local.regionkext.plist /usr/local/bin/region-kext-load.shsudo rm -rf /Library/Extensions/RegionSpoof.kextsudo kmutil unload -b com.local.RegionSpoof 2>/dev/null# 重启恢复原始区域

已知边界(实测确认)

• SIP 必须保持关闭(Permissive)。 本 kext 是 ad-hoc 签名;切到 Reduced Security(SIP 开) 会以 Authenticating extension failed: Bad code signature 拒绝它,区域退回 CH、AI 关闭。 要在 SIP 开启下使用,必须用 Apple Developer ID($99/年) 给 kext 正经签名后再走 Reduced Security。
• PCC 云端功能(语气改写 / 图乐园)依赖 AMFI 开启。 切勿添加 amfi_get_out_of_my_way boot-arg。
• “New Siri” 等候名单 是 Apple 服务端分批下发,与本地改区域无关。

为什么选择 R-Studio？

尽管其用户界面较为朴素，保持着硬核的“工程师风格”，但 R-Studio 的核心竞争力在于其卓越的恢复成功率。

• 跨平台文件系统支持：全面兼容 Windows (NTFS, ReFS, FAT, exFAT)、macOS (HFS+/APFS) 及 Linux (Ext2/3/4, UFS, XFS) 等多种文件系统。
• RAID 阵列重组：支持从损坏的阵列中虚拟重组磁盘，这是许多消费级软件所不具备的专业功能。
• RAW 深度恢复：即便分区表完全损坏，R-Studio 也能通过匹配文件特征码（如 JPG, Office 文档等）进行硬扫描，实现深度数据挖掘。
• 多功能集成：内置十六进制编辑器，并支持网络远程恢复，满足不同场景下的技术需求。

版本选择指南

R-Studio 的高阶版本主要针对不同需求场景：

决策建议：如果您追求单台存储设备的深度数据修复，建议选择技师版；如果您工作流程涉及批量作业或网络环境，网络版的并行处理效率更具优势。

技术小贴士

• 避免二次伤害：发生数据丢失后，请立即停止对该驱动器的任何写入操作。切勿将数据恢复软件安装在丢失数据的盘符中，以免造成数据覆盖。
• 备份才是王道：任何恢复软件都只是应急“手术刀”。培养良好的数据定期备份习惯，才是保障数字资产安全的根本底气。

下载：R-Studio