版本更新 | Orillusion 0.8发布,与大家同在!

过了这么久,我们Orillusion引擎的大版本更新终于来啦!

这次的版本发布,大部分是更新了引擎底层能力,有兴趣的小伙伴可以直接查看:

🔗 https://github.com/Orillusion/orillusion

其实面对社区的小伙伴,这次真的要说一声抱歉~

最近大家也都有感觉,整体的大环境还在调整过程中,我们作为一个小小的引擎创业公司,也确实经历和面对着非常大的压力。所以,这段时间我们的主要精力都放到了「商业项目」上,社区的开源版本迭代更新,我们确实做的慢了些。以至于很多人都联系我们,问我们是不是都“跑路”了...

给大家带来这样的担忧,实在对不起啦!

№ 01 

关于引擎

大家有几点可以完全放心:

  1. 我们在做商业项目的时候,一直都有在考虑哪些是可以沉淀到开源版本供大家一起体验的功能,引擎能力会持续迭代

  2. 所有社区的声音,我们每天都在认真的查看和了解,而且会一直跟大家站在一起,持续关注每位小伙伴的需求和反馈

  3. 开源引擎是我们一直会坚持下去的事情,也可以说是我们的梦想,MIT协议也永远都不会调整,大家尽管放心的去使用

不过我们还是有些好消息要告诉大家的:那就是我们商业方面确实还不错,慕WebGPU名而来的人确实比我们预期的好太多

近半年来,我们一直在和「WebGPU官方」保持着非常良好的沟通,有价值的信息和内容非常多,包括那几家标准制定玩家在WebGPU方面的布局。

这里就简单透露一点结论给大家:跟我们一起,把WebGPU赶快搞起来,绝对是Web前端的未来!

№ 02 

关于社区

我们还要感谢社区的小伙伴!

这段时间,我们在社区「躺尸」情况下,依然收到了很多来自社区里的Issue和非常优秀的Contribution!

Ξ 电影级运镜

来自作者 https://github.com/ID-Emmett

Ξ 体积云

来自作者 https://github.com/mate-h

Ξ 3D地铁图

来自作者 https://github.com/OriIIusion

Ξ 物理小车

来自作者 https://github.com/ID-Emmett

而且社区里很多反馈的bug在我们还没来得及修改的时候,小伙伴们就自己修复了,而且还详细描述了问题和解决过程,这个能力真的是可以的!

当然还有一些剩下的issue,我们会在接下来的时间,给大家逐一解答。如果是我们引擎内部需要提升的能力,我们肯定也会告知大家在后续的版本中陆续修复的!

再次感谢社区的小伙伴,你们的反馈是让我们坚持下去的动力和决心!

№ 03 

关于未来

大家一定要相信WebGPU未来的前景,不只是在3D渲染和3D引擎方面。

目前最火的「AI/LLM」领域,WebGPU也发挥着重大的作用,这才是更大的想象空间和更美好的前景和未来!

Meta曾经推出的Segment Anything Model红极一时,现在可以想象么?竟然已经完全支持了WebGPU,在浏览器中就可以直接运行啦!

图像的编码能力提高了8倍,从10s->1.25s。而且在医疗和视频生成领域,已经得到了应用:

🔗https://arxiv.org/abs/2312.00863

未来一定是终端智能的时代,WebGPU肯定会在其中发挥重要的作用!

№ 04 

末尾福利

我们最后提一下,可能可以帮到大家的一点儿实际的小福利~

我们都是前端开发者,所以深刻的理解,一个只会「切图」的纯前端,在当下大环境下是很难很难的。WebGPU作为前端领域最前沿的技术,在未来的3D和AI时代,是绝对的统治级存在。所以,我们很希望鼓励大家,扩充自己的技术栈,增加自己的竞争力!

因此,我们会全面改版Orillusion的Github仓库首页,设置一个专属的「Contributing」板块,把近期小伙伴做出的贡献示例放上去:

  • 一是给大家在WebGPU开源社区中一个很好的Reputation;

  • 二是希望能够通过这种方式来帮助前端的小伙伴快速的让其他人「甲方爸爸」看到咱们大前端的实力!

首页已更新 https://github.com/Orillusion/orillusion

当然,社区本身的强大才能更好的实现上面的目标。虽然,我们在3D引擎的开源社区中还是比较年轻的项目,但是我们跟社区的小伙伴一起努力,非常有信心在WebGPU这个前沿领域中,把Orillusion的影响力做大做强!

希望我们的社区越来越好,大家的生活也越来越好!

Orillusion与大家同在,Fight for WebGPU!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/49076.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

应对爬虫过程中代理IP掉线的实用指南

当代理IP在爬虫中频繁掉线时,我们先要了解出现问题的可能原因,这不仅限于技术性因素,还涉及操作策略和环境因素。只有在找到具体原因后,才能针对问题类型从源头解决IP掉线问题。 一、问题原因: 1. 代理IP质量问题导致…

Python将字典转换为DataFrame的实战代码

大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的…

AWS监控工具,监控性能指标

执行AWS监视是为了跟踪在AWS环境中主动运行的应用程序工作负载和资源,AWS监视器跟踪各种AWS云指标,以帮助提高在其上运行的应用程序的整体性能。 借助阈值突破警报系统,AWS应用程序监控在识别性能瓶颈来源方面起着至关重要的作用&#xff0c…

力扣高频SQL 50题(基础版)第五题

文章目录 力扣高频SQL 50题(基础版)第五题1683. 无效的推文题目说明:思路分析:实现过程:结果截图: 力扣高频SQL 50题(基础版)第五题 1683. 无效的推文 题目说明: 表&a…

图片转pdf的软件有哪些?这几种转换工具了解下

在日常的办公学习中,图片转PDF的需求愈发普遍。不论是工作汇报、学习笔记还是生活点滴,我们都希望将重要的图片内容整理成易于查阅的PDF格式。那么,有哪些软件可以做到将图片转换成PDF格式呢?给大家介绍5种简单好用的转换方法&…

C#基础:数据库分表的好处和实现方式

一、分表的好处: 1.提升查询速度:分表筛选后再拼接,而不是查大表,速度会显著提升 2.管理容易:根据业务需求,通常会按照时间或者空间来分表 3.提高并发性:降低锁竞争和查询阻塞的风险&#xf…

Xlua原理 二

一已经介绍了初步的lua与C#通信的原理,和xlua的LuaEnv的初始化内容。 这边介绍下Wrap文件。 一.Wrap介绍 导入xlua后可以看到会多出上图菜单。 点击后生成一堆wrap文件,这些文件是lua调用C#时进行映射查找用的中间代码。这样就不需要去反射调用节约性…

ubuntu安装mysql8.0

文章目录 ubuntu版本安装修改密码取消root跳过密码验证 ubuntu版本 22.04 安装 更新软件包列表 sudo apt update安装 MySQL 8.0 服务器 sudo apt install mysql-server在安装过程中,系统可能会提示您设置 root 用户的密码,请务必牢记您设置的密码。…

【中项】系统集成项目管理工程师-第4章 信息系统架构-4.3应用架构

前言:系统集成项目管理工程师专业,现分享一些教材知识点。觉得文章还不错的喜欢点赞收藏的同时帮忙点点关注。 软考同样是国家人社部和工信部组织的国家级考试,全称为“全国计算机与软件专业技术资格(水平)考试”&…

linux中RocketMQ安装(单机版)及springboot中的使用

文章目录 一、安装1.1、下载RocketMQ1.2、将下载包上传到linux中,然后解压1.3、修改runserver.sh的jvm参数大小(根据自己服务器配置来修改)1.4、启动mqnamesrv (类似于注册中心)1.5、修改runbroker.sh的jvm参数大小&am…

Kafka Producer之事务性

文章目录 1. 跨会话幂等性失效2. 开启事务3. 事务流程原理 事务性可以防止跨会话幂等性失效,同时也可以保证单个生产者的指定数据,要么全部成功要么全部失败,不限分区。不可以多个生产者共用相同的事务ID。 1. 跨会话幂等性失效 幂等性开启…

Spring MVC笔记

Java 版本: JDK17 Eclipse: eclipse-jee-2023-12-R-win32-x86_64.zip Tomcat 10 JDK17采用springframework 6 *必须考虑兼容性问题,所以JDK 和spring framework不要乱搭配 初步创建Maven Project 安装包 修改poem.xml <dependency><groupId>org.springframework…

使用 PowerShell 自动化图像识别与鼠标操作

目录 前言功能概述代码实现1. 引入必要的程序集2. 定义读取文件行的函数3. 定义加载图片的函数4. 定义查找小图像在大图像中的位置的函数5. 定义截取全屏的函数6. 定义模拟鼠标点击的函数7. 定义主函数 配置文件示例运行脚本结语全部代码提示打包exe 下载地址 前言 在日常工作…

极客时间训练营-AI 大模型微调训练营学习总结

学习总结 课程名称&#xff1a; 极客时间训练营-AI 大模型微调训练营 课程内容&#xff1a; 大模型微调技术&#xff1a;课程涵盖了主流的大模型微调技术方法&#xff0c;帮助学员提升 LLM&#xff08;Large Language Models&#xff0c;大型语言模型&#xff09;应用性能。…

Linux中tomcat下载教程

一.安装tomcat 1.安装 EPEL 仓库&#xff1a; sudo yum install epel-release2.安装 Tomcat&#xff1a; sudo yum install tomcat3.启动 Tomcat 服务&#xff1a; sudo systemctl start tomcat4.启用 Tomcat 服务开机启动&#xff1a; sudo systemctl enable tomcat5.检查…

【力扣每日一题】

【力扣第448题】找到所有数组中消失是数字 思路&#xff1a;参考答案 1、将遍历值对应的下标值变为负数&#xff0c;其中如果遍历值对应的下标值本就是负数&#xff0c;则不作改变 2、遍历返回大于0的数下标 代码&#xff1a; /*** Note: The returned array must be mall…

大语言模型-Bert-Bidirectional Encoder Representation from Transformers

一、背景信息&#xff1a; Bert是2018年10月由Google AI研究院提出的一种预训练模型。 主要用于自然语言处理&#xff08;NLP&#xff09;任务&#xff0c;特别是机器阅读理、文本分类、序列标注等任务。 BERT的网络架构使用的是多层Transformer结构&#xff0c;有效的解决了长…

AI学习指南机器学习篇-SOM的进化与改进

AI学习指南机器学习篇 - SOM的进化与改进 引言 自组织映射&#xff08;Self-Organizing Maps, SOM&#xff09;是一种常用的无监督学习算法&#xff0c;用于将高维数据映射到低维的拓扑结构上。它被广泛用于数据压缩、特征提取和聚类等任务中。然而&#xff0c;在面对大规模数…

c# 实现多尺度的模板匹配

Cv2.MatchTemplate()方法在模板图像与测试图像分辨率不同的情况下会失效&#xff0c;因为模板匹配的原理是将模板从测试图片中从左到右&#xff0c;从上到下依次滑动来找到匹配度最高的地方&#xff1b; 因此&#xff0c;为了实现多尺度的模板匹配&#xff0c;需要对其进行改进…

计算机网络知识-面试点1

1. 三握四挥 定义&#xff1a; 在计算机网络中&#xff0c;特别是TCP/IP协议中&#xff0c;“三握”指的是三次握手&#xff08;Three-way Handshake&#xff09;&#xff0c;而“四挥”则指的是四次挥手&#xff08;Four-way Handshake&#xff09;。这两个过程分别用于TCP连接…