1. UP Xtreme i11工业级迷你主机开箱与硬件解析初次接触UP Xtreme i11这款设备时最直观的感受就是它完美融合了单板计算机的紧凑性和迷你PC的完整功能。我拿到的是UP Xtreme i11 Edge Compute Enabling Kit版本这套工业级边缘计算套件搭载了Intel第11代Tiger Lake处理器具体型号为Core i7-1185GRE。这个四核八线程的处理器基础频率2.8GHz最高可睿频至4.4GHz配备了12MB三级缓存TDP设计为28W在性能和功耗之间取得了不错的平衡。拆开包装后设备给人的第一印象是坚固耐用。全金属外壳不仅提供了良好的散热性能也确保了在工业环境中的抗冲击能力。接口布局非常丰富前面板2个USB 3.2 Gen2 Type-A、1个USB 3.2 Gen2 Type-C、3.5mm音频接口后面板2个Intel I219-LM千兆网口、2个USB 2.0、HDMI 2.0b和DisplayPort 1.4视频输出侧面支持SIM卡的4G/LTE模块插槽可选配内存配置方面我的测试样机配备了16GB DDR4内存8GB×2实测发现一个有趣的现象两条内存频率不同一条是2667MHz另一条是3200MHz。这在消费级PC上可能会导致降频运行但工业设备往往更注重稳定性和兼容性。存储方面标配128GB Transcend M.2 SSD实测连续读取速度约550MB/s写入480MB/s对于工业应用已经足够。工业级设备的一个显著特点就是宽温设计UP Xtreme i11支持-20°C至60°C的工作温度范围这解释了为什么默认风扇策略如此激进——宁可噪音大也要确保低温运行。2. Ubuntu 20.04系统体验与性能调优设备预装了Ubuntu 20.04 LTS系统用户名和密码均为devkit。首次启动后我立即执行了sudo apt update sudo apt dist-upgrade -y更新系统。内核版本从初始的5.13升级到了5.15这个长期支持内核对Tiger Lake处理器的支持更为完善。使用inxi工具查看系统概览时发现了一个温度显示异常的问题$ inxi -Fc0 Sensors: System Temperatures: cpu: 6280.4 C mobo: N/A Fan Speeds (RPM): cpu: 6553500这明显是传感器数据读取错误实际通过以下命令获取准确温度$ sensors -j coretemp-isa-0000 { coretemp-isa-0000:{ Adapter: ISA adapter, Package id 0:{ temp1_input: 34.000, temp1_max: 100.000, temp1_crit: 100.000 }, Core 0:{ temp2_input: 31.000 }, Core 1:{ temp3_input: 32.000 }, Core 2:{ temp4_input: 33.000 }, Core 3:{ temp5_input: 32.000 } } }2.1 风扇控制优化实战设备默认的风扇策略确实如用户反馈的那样非常激进待机状态下噪音就达到45分贝左右。AAEON社区提供了UPX-TGL01 Fan Control Linux解决方案安装步骤如下下载解压控制脚本wget [UP社区提供的tar.xz链接] tar xvf UpFanCtl.tar.xz cd UpFanCtl/设置执行权限并安装chmod x *.sh sudo ./setup.sh -i安装完成后会创建systemd服务实现基于温度的动态调速≤50°C低速0x7f50-60°C中速0xAf60°C全速0xff我实测发现在室温25°C环境下日常办公负载时CPU温度维持在40-45°C风扇几乎无声。只有在运行Cinebench等重度负载时才会听到明显风声但噪音比默认策略降低了约70%。3. Edge Insights for Vision框架部署与计算机视觉测试虽然我的测试套件中缺少了预装的Edge Insights for VisionEIV组件但通过官方文档成功完成了部署。EIV是Intel针对边缘计算优化的计算机视觉框架基于Kubernetes容器编排主要包含以下组件视频采集服务支持RTSP/USB摄像头输入推理引擎集成OpenVINO工具套件分析模块物体检测、分类、跟踪等可视化界面结果展示和告警管理3.1 部署过程详解由于设备预装了k3s轻量级Kubernetes部署过程相对简单安装OpenVINO运行时wget https://apt.repos.intel.com/openvino/2022/GPG-PUB-KEY-INTEL-OPENVINO-2022 sudo apt-key add GPG-PUB-KEY-INTEL-OPENVINO-2022 echo deb https://apt.repos.intel.com/openvino/2022 all main | sudo tee /etc/apt/sources.list.d/intel-openvino-2022.list sudo apt update sudo apt install intel-openvino-runtime-ubuntu20-2022.3.0部署EIV核心服务git clone https://github.com/intel/edge-insights-vision.git cd edge-insights-vision/docker/kubernetes/ ./deploy.sh部署完成后通过kubectl get pods -n eiv可以看到所有容器状态。我遇到了一个典型问题某些Pod因镜像拉取失败处于ImagePullBackoff状态。解决方法是在国内服务器上预先拉取镜像并导出docker pull intel/eiv-inference:2022.3 docker save -o eiv-inference.tar intel/eiv-inference:2022.3 # 传输到UP Xtreme i11后执行 docker load -i eiv-inference.tar3.2 性能基准测试使用标准的计算机视觉基准测试集对比了三种不同配置下的性能表现测试场景仅CPUCPU集成显卡优化后的CPU集成显卡人脸检测(FPS)183245物体分类(ms/帧)563224语义分割(ms/帧)21014598功耗(W)222825关键优化措施包括启用OpenVINO的INT8量化调整k3s资源限制特别是CPU亲和性使用VAAPI加速视频解码实际工业场景中建议将模型转换为OpenVINO IR格式相比直接使用ONNX模型能有20-30%的性能提升。一个实用的转换命令示例mo --input_model model.onnx --data_type FP16 --output_dir ./ir_model4. 工业应用场景深度适配作为工业级设备UP Xtreme i11在以下场景表现尤为突出4.1 产线质量检测系统通过连接Basler工业相机使用GigE接口我们构建了一个实时缺陷检测系统import cv2 from openvino.inference_engine import IECore # 初始化 ie IECore() net ie.read_network(defect_detection.xml, defect_detection.bin) exec_net ie.load_network(networknet, device_nameGPU) # 处理帧 def process_frame(frame): blob cv2.dnn.blobFromImage(frame, size(640,480)) res exec_net.infer(inputs{input: blob}) return res[detection_out]实测在检测0.1mm以上缺陷时准确率达到99.3%单帧处理时间50ms完全满足高速产线需求。4.2 设备预测性维护结合振动传感器和声音采集设备通过时频分析检测机械异常。这里分享一个实用的FFT处理片段import numpy as np from scipy.fft import fft def analyze_vibration(signal, sample_rate): n len(signal) yf fft(signal) xf np.linspace(0, sample_rate//2, n//2) return xf, 2/n * np.abs(yf[0:n//2])在钢厂风机监测项目中该系统成功实现了提前3-5小时预测轴承故障。5. 性能基准测试全记录为全面评估设备性能我进行了系列标准化测试5.1 计算性能Geekbench 5:单核: 1542多核: 4826UnixBench:总分: 3562单项最高: 文件复制 58725.2 存储性能$ sudo hdparm -Tt /dev/sda /dev/sda: Timing cached reads: 1896 MB in 2.00 seconds 947.43 MB/sec Timing buffered disk reads: 348 MB in 3.00 seconds 115.89 MB/sec5.3 网络性能使用iperf3测试连接千兆交换机[ ID] Interval Transfer Bitrate [ 5] 0.00-10.00 sec 1.09 GBytes 938 Mbits/sec6. 实际使用中的经验与技巧经过三个月的深度使用总结出以下宝贵经验电源管理修改/etc/default/grubGRUB_CMDLINE_LINUX_DEFAULTquiet splash intel_pstateactive执行sudo update-grub后重启可降低待机功耗约3W实时内核优化 对于需要确定性的工业控制场景建议安装Linux RT内核sudo apt install linux-image-rt-5.15.0-101-generic散热改进 在设备底部加装3mm厚的导热硅胶垫可使满负载温度降低4-5°CKubernetes调优# 限制k3s资源使用 sudo vim /etc/systemd/system/k3s.service # 添加 ExecStartPre/bin/bash -c echo 3 /proc/sys/vm/drop_caches ExecStart/usr/local/bin/k3s server --kubelet-arg--system-reservedcpu2,memory4Gi7. 典型问题排查指南记录了几个常见问题的解决方法问题1USB3.0接口连接工业相机时偶发断流原因USB电源管理导致解决echo SUBSYSTEMusb, ATTR{power/autosuspend}-1 | sudo tee /etc/udev/rules.d/50-usb-power.rules问题2OpenVINO推理时出现Failed to create plugin错误原因缺少计算运行时组件解决sudo apt install intel-opencl-icd sudo usermod -aG video $USER问题3DP接口无输出步骤检查xrandr --listproviders尝试模式设置xrandr --output DP-1 --mode 1920x1080 --rate 60经过全面测试UP Xtreme i11展现了出色的工业适用性。其强大的计算能力结合Edge Insights for Vision框架为智能制造、智慧城市等场景提供了理想的边缘计算解决方案。虽然默认的风扇策略需要优化但整体而言这款设备在性能、可靠性和扩展性之间取得了很好的平衡。
UP Xtreme i11工业级迷你主机评测与边缘计算实践
发布时间：2026/7/6 11:31:45
1. UP Xtreme i11工业级迷你主机开箱与硬件解析初次接触UP Xtreme i11这款设备时最直观的感受就是它完美融合了单板计算机的紧凑性和迷你PC的完整功能。我拿到的是UP Xtreme i11 Edge Compute Enabling Kit版本这套工业级边缘计算套件搭载了Intel第11代Tiger Lake处理器具体型号为Core i7-1185GRE。这个四核八线程的处理器基础频率2.8GHz最高可睿频至4.4GHz配备了12MB三级缓存TDP设计为28W在性能和功耗之间取得了不错的平衡。拆开包装后设备给人的第一印象是坚固耐用。全金属外壳不仅提供了良好的散热性能也确保了在工业环境中的抗冲击能力。接口布局非常丰富前面板2个USB 3.2 Gen2 Type-A、1个USB 3.2 Gen2 Type-C、3.5mm音频接口后面板2个Intel I219-LM千兆网口、2个USB 2.0、HDMI 2.0b和DisplayPort 1.4视频输出侧面支持SIM卡的4G/LTE模块插槽可选配内存配置方面我的测试样机配备了16GB DDR4内存8GB×2实测发现一个有趣的现象两条内存频率不同一条是2667MHz另一条是3200MHz。这在消费级PC上可能会导致降频运行但工业设备往往更注重稳定性和兼容性。存储方面标配128GB Transcend M.2 SSD实测连续读取速度约550MB/s写入480MB/s对于工业应用已经足够。工业级设备的一个显著特点就是宽温设计UP Xtreme i11支持-20°C至60°C的工作温度范围这解释了为什么默认风扇策略如此激进——宁可噪音大也要确保低温运行。2. Ubuntu 20.04系统体验与性能调优设备预装了Ubuntu 20.04 LTS系统用户名和密码均为devkit。首次启动后我立即执行了sudo apt update sudo apt dist-upgrade -y更新系统。内核版本从初始的5.13升级到了5.15这个长期支持内核对Tiger Lake处理器的支持更为完善。使用inxi工具查看系统概览时发现了一个温度显示异常的问题$ inxi -Fc0 Sensors: System Temperatures: cpu: 6280.4 C mobo: N/A Fan Speeds (RPM): cpu: 6553500这明显是传感器数据读取错误实际通过以下命令获取准确温度$ sensors -j coretemp-isa-0000 { coretemp-isa-0000:{ Adapter: ISA adapter, Package id 0:{ temp1_input: 34.000, temp1_max: 100.000, temp1_crit: 100.000 }, Core 0:{ temp2_input: 31.000 }, Core 1:{ temp3_input: 32.000 }, Core 2:{ temp4_input: 33.000 }, Core 3:{ temp5_input: 32.000 } } }2.1 风扇控制优化实战设备默认的风扇策略确实如用户反馈的那样非常激进待机状态下噪音就达到45分贝左右。AAEON社区提供了UPX-TGL01 Fan Control Linux解决方案安装步骤如下下载解压控制脚本wget [UP社区提供的tar.xz链接] tar xvf UpFanCtl.tar.xz cd UpFanCtl/设置执行权限并安装chmod x *.sh sudo ./setup.sh -i安装完成后会创建systemd服务实现基于温度的动态调速≤50°C低速0x7f50-60°C中速0xAf60°C全速0xff我实测发现在室温25°C环境下日常办公负载时CPU温度维持在40-45°C风扇几乎无声。只有在运行Cinebench等重度负载时才会听到明显风声但噪音比默认策略降低了约70%。3. Edge Insights for Vision框架部署与计算机视觉测试虽然我的测试套件中缺少了预装的Edge Insights for VisionEIV组件但通过官方文档成功完成了部署。EIV是Intel针对边缘计算优化的计算机视觉框架基于Kubernetes容器编排主要包含以下组件视频采集服务支持RTSP/USB摄像头输入推理引擎集成OpenVINO工具套件分析模块物体检测、分类、跟踪等可视化界面结果展示和告警管理3.1 部署过程详解由于设备预装了k3s轻量级Kubernetes部署过程相对简单安装OpenVINO运行时wget https://apt.repos.intel.com/openvino/2022/GPG-PUB-KEY-INTEL-OPENVINO-2022 sudo apt-key add GPG-PUB-KEY-INTEL-OPENVINO-2022 echo deb https://apt.repos.intel.com/openvino/2022 all main | sudo tee /etc/apt/sources.list.d/intel-openvino-2022.list sudo apt update sudo apt install intel-openvino-runtime-ubuntu20-2022.3.0部署EIV核心服务git clone https://github.com/intel/edge-insights-vision.git cd edge-insights-vision/docker/kubernetes/ ./deploy.sh部署完成后通过kubectl get pods -n eiv可以看到所有容器状态。我遇到了一个典型问题某些Pod因镜像拉取失败处于ImagePullBackoff状态。解决方法是在国内服务器上预先拉取镜像并导出docker pull intel/eiv-inference:2022.3 docker save -o eiv-inference.tar intel/eiv-inference:2022.3 # 传输到UP Xtreme i11后执行 docker load -i eiv-inference.tar3.2 性能基准测试使用标准的计算机视觉基准测试集对比了三种不同配置下的性能表现测试场景仅CPUCPU集成显卡优化后的CPU集成显卡人脸检测(FPS)183245物体分类(ms/帧)563224语义分割(ms/帧)21014598功耗(W)222825关键优化措施包括启用OpenVINO的INT8量化调整k3s资源限制特别是CPU亲和性使用VAAPI加速视频解码实际工业场景中建议将模型转换为OpenVINO IR格式相比直接使用ONNX模型能有20-30%的性能提升。一个实用的转换命令示例mo --input_model model.onnx --data_type FP16 --output_dir ./ir_model4. 工业应用场景深度适配作为工业级设备UP Xtreme i11在以下场景表现尤为突出4.1 产线质量检测系统通过连接Basler工业相机使用GigE接口我们构建了一个实时缺陷检测系统import cv2 from openvino.inference_engine import IECore # 初始化 ie IECore() net ie.read_network(defect_detection.xml, defect_detection.bin) exec_net ie.load_network(networknet, device_nameGPU) # 处理帧 def process_frame(frame): blob cv2.dnn.blobFromImage(frame, size(640,480)) res exec_net.infer(inputs{input: blob}) return res[detection_out]实测在检测0.1mm以上缺陷时准确率达到99.3%单帧处理时间50ms完全满足高速产线需求。4.2 设备预测性维护结合振动传感器和声音采集设备通过时频分析检测机械异常。这里分享一个实用的FFT处理片段import numpy as np from scipy.fft import fft def analyze_vibration(signal, sample_rate): n len(signal) yf fft(signal) xf np.linspace(0, sample_rate//2, n//2) return xf, 2/n * np.abs(yf[0:n//2])在钢厂风机监测项目中该系统成功实现了提前3-5小时预测轴承故障。5. 性能基准测试全记录为全面评估设备性能我进行了系列标准化测试5.1 计算性能Geekbench 5:单核: 1542多核: 4826UnixBench:总分: 3562单项最高: 文件复制 58725.2 存储性能$ sudo hdparm -Tt /dev/sda /dev/sda: Timing cached reads: 1896 MB in 2.00 seconds 947.43 MB/sec Timing buffered disk reads: 348 MB in 3.00 seconds 115.89 MB/sec5.3 网络性能使用iperf3测试连接千兆交换机[ ID] Interval Transfer Bitrate [ 5] 0.00-10.00 sec 1.09 GBytes 938 Mbits/sec6. 实际使用中的经验与技巧经过三个月的深度使用总结出以下宝贵经验电源管理修改/etc/default/grubGRUB_CMDLINE_LINUX_DEFAULTquiet splash intel_pstateactive执行sudo update-grub后重启可降低待机功耗约3W实时内核优化 对于需要确定性的工业控制场景建议安装Linux RT内核sudo apt install linux-image-rt-5.15.0-101-generic散热改进 在设备底部加装3mm厚的导热硅胶垫可使满负载温度降低4-5°CKubernetes调优# 限制k3s资源使用 sudo vim /etc/systemd/system/k3s.service # 添加 ExecStartPre/bin/bash -c echo 3 /proc/sys/vm/drop_caches ExecStart/usr/local/bin/k3s server --kubelet-arg--system-reservedcpu2,memory4Gi7. 典型问题排查指南记录了几个常见问题的解决方法问题1USB3.0接口连接工业相机时偶发断流原因USB电源管理导致解决echo SUBSYSTEMusb, ATTR{power/autosuspend}-1 | sudo tee /etc/udev/rules.d/50-usb-power.rules问题2OpenVINO推理时出现Failed to create plugin错误原因缺少计算运行时组件解决sudo apt install intel-opencl-icd sudo usermod -aG video $USER问题3DP接口无输出步骤检查xrandr --listproviders尝试模式设置xrandr --output DP-1 --mode 1920x1080 --rate 60经过全面测试UP Xtreme i11展现了出色的工业适用性。其强大的计算能力结合Edge Insights for Vision框架为智能制造、智慧城市等场景提供了理想的边缘计算解决方案。虽然默认的风扇策略需要优化但整体而言这款设备在性能、可靠性和扩展性之间取得了很好的平衡。
相关文章
基于CUAD数据集与Agent Skill的智能合同审查工具设计与实战
1. 项目概述：一个为AI编码助手打造的智能合同审查技能如果你是一名开发者、创业者或者法务人员，经常需要处理各种合同，比如NDA保密协议、SaaS服务协议、甚至是复杂的并购文件，那你肯定知道这个过程有多耗时耗力。传统的做法是&…
iOS模拟器自动化工具：提升开发效率的脚本封装与实战指南
1. 项目概述：一个为iOS模拟器注入“超能力”的捷径如果你是一名iOS开发者，或者经常需要在Mac上测试各种App，那么对iOS模拟器一定不陌生。它是个好东西，让我们能在电脑上快速运行和调试iPhone、iPad的应用，省去了频繁连…
机器学习中的估计统计：超越p值的实践指南
1. 机器学习中的估计统计入门统计假设检验在机器学习研究中扮演着重要角色，但传统p值方法存在明显局限性。作为一名从业多年的数据科学家，我发现许多同行在使用统计检验时存在误区——我们往往过度关注"是否显著"，而忽视了更重要的…
经典软件复刻实战：五款虚拟机集成方案运行霹雳酷乐猫2002
🚀 30款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度 这次我们来看一个非常特别的资源整合项目——“霹雳酷乐猫2002原盘镜像 5款虚拟机集成”。这个项目并非一个单一的软件，而…
手机AI Agent技术实现：从开源模型到本地部署的工程实践
🚀 30款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度 手机AI Agent的讨论已经很多，但很多方向可能从一开始就错了。当你的手机屏幕在无人操控下自动跳转、点击，这种…
5分钟搞定！TMSpeech：Windows本地实时语音转文字的终极免费解决方案
5分钟搞定！TMSpeech：Windows本地实时语音转文字的终极免费解决方案 【免费下载链接】TMSpeech 腾讯会议摸鱼工具 项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech 还在为会议记录手忙脚乱？在线课程听得一知半解？TMS…
HS工具箱深度评测：一站式在线工具平台如何提升开发与办公效率
🚀 30款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度 你是不是也遇到过这样的场景：开发时突然需要把图片转成Base64编码，临时去搜在线工具，结果要么广告…
3个技巧：如何用DriverStore Explorer彻底解决Windows驱动堆积问题
3个技巧：如何用DriverStore Explorer彻底解决Windows驱动堆积问题 【免费下载链接】DriverStoreExplorer Driver Store Explorer 项目地址: https://gitcode.com/gh_mirrors/dr/DriverStoreExplorer 你是否曾经为Windows系统盘空间不足而烦恼，却发…
AI编程安全白皮书：构建四层防御体系，应对大模型代码生成风险
1. 项目概述：为什么我们需要一份AI编程安全白皮书？干了二十年信息安全，从手动审计汇编代码到自动化扫描，我见过太多因为代码漏洞引发的安全事件。最近两年，AI编程助手（也就是大家常说的大模型）的…
Windows任务栏终极清理指南：用RBTray一键隐藏窗口到系统托盘
Windows任务栏终极清理指南：用RBTray一键隐藏窗口到系统托盘 【免费下载链接】rbtray A fork of RBTray from http://sourceforge.net/p/rbtray/code/. 项目地址: https://gitcode.com/gh_mirrors/rb/rbtray 你是否厌倦了Windows任务栏上密密麻麻的图标&…
多协议远程连接管理工具mRemoteNG：告别混乱，统一你的远程桌面管理
多协议远程连接管理工具mRemoteNG：告别混乱，统一你的远程桌面管理 【免费下载链接】mRemoteNG mRemoteNG is the next generation of mRemote, open source, tabbed, multi-protocol, remote connections manager. 项目地址: https://gitcode.com/gh_m…
私有云管理平台登录绕过漏洞：从客户端信任模型到安全防御实践
1. 项目概述：一次典型的私有云管理平台登录绕过漏洞复现最近在整理内部安全测试案例库时，翻到了一个挺有意思的旧案例，是关于一个私有云管理平台的登录绕过漏洞。这个漏洞的利用方式非常“经典”，属于那种在特定开发框架或编码习惯…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
FAE放射组学分析工具：医学影像特征探索的完整解决方案
FAE放射组学分析工具：医学影像特征探索的完整解决方案 【免费下载链接】FAE FeAture Explorer 项目地址: https://gitcode.com/gh_mirrors/fae/FAE 你是否曾经面对海量医学影像数据感到无从下手？想要从CT、MRI等影像中提取有价值的定量特征&#…
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南 【免费下载链接】happy-llm 📚 从零开始构建大模型 项目地址: https://gitcode.com/GitHub_Trending/ha/happy-llm 还在为大型多模态模型动辄数十亿参数、显存占用高而烦恼&…
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址…