Qt 前后端通信(QWebChannel Js / C++ 互操作)：原理、示例、步骤解说

优质文章学习记录

— 2 min read
Qt 前后端通信(QWebChannel Js / C++ 互操作)：原理、示例、步骤解说

Qt 提供的 QWebEngineView 是一个基于 Chromium 内核的浏览器组件，通过它，开发者可以使用 HTML、CSS、JavaScript 等技术开发 Web 页面并呈现在 Qt 桌面应用中，但与开发纯 Web 页面不同的是，这些页面通常需要和 应用中的其他组件交互，例如获取后端数据进行渲染、将前端用户指令传达给后端执行等，这将不可避免地涉及到前端 Js 和 后端 C++ 之间的交互问题，而 Qt 为此给出的解决方案就是 QWebChannel，通过 QWebChannel 前端 Web 页面和与后端 C++ 程序实现自然而顺畅的交互，甚至前后端的操作风格都极为一致。本文我们将细致地介绍QWebChannel 前后端交互的原理，通过四个详实的示例程序讲解每一步重要的操作步骤，通过本文，你将对 QWebChannel 有一个全面而深入的了解。

1. 工作原理

QWebChannel 的工作原理并不复杂，官方文档只用了很少的文字来解释：QWebChannel 填补了 C++ 应用程序与 HTML/JavaScript 应用程序之间的空白。通过将 一个 QObject 派生对象发布到 QWebChannel，并在 HTML 端使用 qwebchannel.js，就可以透明地访问QObject 的属性、信号和槽方法。无需手动传递消息和序列化数据，C++ 端的属性更新和信号发射会自动传输到可能远程运行的 HTML 客户端。这里，我用更通俗易懂的方式重新描述一下：

Read more

llama-cpp-python用法，模型加载gpu踩坑全记录

llama-cpp-python的主分支貌似很久不更新了，直接pip install用有问题，因为安装时候他会自动编译最新版的llama-cpp，但是这个llama-cpp接口变了的话而llama-cpp-python没及时更新就会报错。因此我用的另一个分支：https://github.com/JamePeng/llama-cpp-python 模型要加载到gpu有几种方法，加载到核显，以及使用cuda。一般使用cuda，我也想过加载到核显，因为我用lamasudio就能加载到核显，感觉很强，自己也想做然后发现其实挺麻烦的就放弃了，也没必要，用cuda独显才是主流的。 然后显卡不需要太好，我就两个机器，1660ti  1080ti都能跑的挺不错。 显卡要装两个东西 1、显卡驱动，这个直接升级到最新就行了，显示支持cuda  13就够了， 如果要手动下载： * 官网地址：https://www.nvidia.com/Download/index.aspx 2、CUDA Toolkit（nvcc ），需要达到13.0 下载地址（NVIDIA 官方稳定版）：https

实测GLM-ASR-Nano-2512：超越Whisper V3的语音识别效果

实测GLM-ASR-Nano-2512：超越Whisper V3的语音识别效果 1. 引言：端侧语音识别的新标杆 随着大模型技术向终端设备下沉，轻量化、高性能的本地语音识别模型成为开发者关注的焦点。近期，智谱AI开源了其新一代语音识别模型 GLM-ASR-Nano-2512，该模型以1.5B参数量在多个基准测试中表现优于OpenAI的Whisper V3，同时支持本地部署与实时交互，兼顾性能与隐私保护。 本文将基于实际部署和测试经验，深入分析GLM-ASR-Nano-2512的技术特性、运行方式、识别效果，并与Whisper V3进行多维度对比，帮助开发者判断其在真实场景中的适用性。 1.1 为什么需要端侧ASR？ 传统云端语音识别虽精度高，但存在三大痛点： * 延迟不可控：网络传输带来额外延迟，影响交互体验； * 隐私风险：用户语音上传至服务器，敏感信息易泄露； * 离线不可用：无网络环境下无法使用。 而端侧ASR（Automatic Speech Recognition）通过在本地完成语音转文字任务，有效解决了上述问题。尤其在智能硬件、办公输入法、边缘计算等场

【Copilot配置避坑手册】：90%新手都会犯的7个致命错误

第一章：Copilot配置的核心认知 GitHub Copilot 不仅是一个代码补全工具，更是一种基于上下文理解的智能编程助手。其核心价值在于通过深度学习模型理解开发者意图，提供精准的代码建议。要充分发挥 Copilot 的能力，首先需建立对其配置机制的正确认知。 身份验证与环境准备 在使用 GitHub Copilot 前，必须确保已完成以下步骤： 1. 登录 GitHub 账户并启用 Copilot 订阅（个人或企业计划） 2. 在本地 IDE（如 VS Code）中安装官方插件 3. 执行身份验证命令以激活服务 # 在终端运行以下命令完成登录 npx @github/copilot-cli login 该命令会打开浏览器页面，引导用户完成授权流程。成功后，Copilot 将在支持的语言环境中自动启动。 编辑器配置优化 为提升建议质量，可在编辑器设置中调整关键参数： 配置项推荐值说明copilot.suggestOnTriggerCharacterstrue在输入特定字符（如

Llama-3.2V-11B-cot真实案例：汽车4S店维修单图像→故障描述→配件需求推理→工时预估

Llama-3.2V-11B-cot真实案例：汽车4S店维修单图像→故障描述→配件需求推理→工时预估 1. 项目背景与价值 在汽车维修行业，维修单处理是一个既专业又繁琐的工作。传统流程需要经验丰富的技师人工查看维修单，识别故障描述，推断所需配件，最后预估工时。这个过程不仅耗时，而且容易因人为因素导致误差。 Llama-3.2V-11B-cot 作为支持系统性推理的视觉语言模型，能够通过图像理解+逐步推理的方式，实现维修单的智能处理。这个案例展示了如何用该模型将维修单图像转化为结构化的维修方案。 2. 模型核心能力解析 2.1 模型架构与技术特点 Llama-3.2V-11B-cot基于Meta Llama 3.2 Vision架构，具有11B参数规模。其核心能力体现在： * 图像理解：准确识别维修单上的文字和图示 * 逐步推理：按照SUMMARY→CAPTION→REASONING→CONCLUSION的逻辑链条进行分析 * 专业领域适配：针对汽车维修场景进行了优化训练 2.2 维修场景中的工作流程 模型处理维修单的标准流程如下： 1.