Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Unity6下架中国区,团结引擎接棒:这是分裂,还是本地化的开始

Unity6下架中国区,团结引擎接棒:这是分裂,还是本地化的开始

原创
作者头像
堆栈哲学
发布于 2025-04-10 02:50:41
发布于 2025-04-10 02:50:41
3.2K0
举报
文章被收录于专栏:博客·技术专栏博客·技术专栏

就在近日,一则消息在国内游戏开发圈内迅速传播开来:Unity 6 及其后续版本已在中国大陆及港澳地区下架。这意味着,未来中国用户将无法直接使用 Unity 最新的主线版本。而取而代之的,是由 Unity 中国主导推出的本地化产品 —— 团结引擎

这项调整,引发了不小的震动。对于许多开发者来说,这是一次与全球 Unity 生态“逐步分离”的信号;但对于另一些人来说,这可能是中国本土游戏引擎服务体系的重新起点。

官方公告

image-20250410101245137
image-20250410101245137

Unity 6 为何“退出”中国?

Unity 官方声明中表示,这一变动“旨在确保开发者获得更贴合中国市场需求的游戏引擎服务”,由 团结引擎承接相关需求和功能演进

实际上,早在 2022 年,Unity 就已宣布将中国业务进行本地化重组,成立独立运营的 Unity 中国。而团结引擎(Unity China Engine)正是该架构下逐步孵化出的“本地引擎方案”。

换句话说:Unity 在中国的主线更新,将不再是 Unity 总公司的原生产品,而是由 Unity 中国基于 Unity 源码进行本地化演进的新产品体系。

这很像安卓系统与国内厂商定制 ROM 的关系:共享底层技术,分化发展路径。


所以什么是团结引擎?

团结引擎并不是“新引擎”,而是基于 Unity 技术的中国特供版,目标是提供更具本地适配性的服务。

根据 Unity 中国的公告,团结引擎将持续继承 Unity 6 的核心特性,并针对中国用户的具体需求进行增强,例如:

  • 更好的小游戏支持方案
  • OpenHarmony 系统适配(华为鸿蒙系统生态)
  • HMI 车机系统集成
  • 针对中小团队优化的定价策略

从战略角度来看,团结引擎不仅是一种本地化服务手段,更是 Unity 应对合规压力、技术出海障碍的“市场分区”策略。

注意,根据目前官方发布的公告来看,团结目前对于unity6的很多新特性和功能并没有完全支持,而是在 持续集成中,也就是说,如果你想体验这些新功能特性,暂时还是个问题。


对开发者意味着什么

对现有项目:几乎没有影响

  • Unity 2022 LTS 及以下版本仍可正常使用,由 Unity 中国提供支持与维护。
  • 已上线项目或正在开发中的产品不受影响。
  • 继续使用旧版本 Unity 是目前最稳妥的做法。

对新项目:需要重新评估

  • 想使用 Unity 6 及后续版本,必须转向“团结引擎”。
  • 团结引擎是否能及时继承 Unity 主线的所有新特性、工具链、插件生态,还有待观察。
  • Asset Store、Unity 官网插件、社区支持是否全面兼容,也存在潜在隐患。

对全球化项目:需额外注意

  • Unity 声明“团结引擎创建的项目依然可以全球发布”,但国际团队协作、版本同步、构建流程可能面临一些割裂问题。
  • 如果你是独立开发者/创业团队,面向海外市场,可能需要保留海外 Unity 账号以获取最新版资源。

虽然很多人将此视为 Unity 与中国市场“割裂”的开始,但从另一个角度来看,这也是国产游戏技术本地化、甚至自主化的机会窗口。

团结引擎明确提出将聚焦:

  • 本地开发者实际痛点
  • 本地系统的深度兼容(如 OpenHarmony、国产 GPU 等)
  • 更低成本、更友好授权策略

可以说,这是一个“因地制宜”的 Unity。

如果它能真正解决原版 Unity 在中国使用时常见的痛点(如联网问题、付费门槛高、技术响应慢),未必不是好事。关键在于:

  • 团结引擎的技术路线能否持续更新、稳定;
  • 对 Unity 生态的继承是否彻底、长期;
  • 定价、服务是否能如承诺那般对中小开发者更友好。

关于定价的通告

关于这个价格问题,这里就不做评价了,我自己用的是虚幻,对unity引擎的了解并不多,各位看官自行评定!

image-20250410102047961
image-20250410102047961

参考链接:

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
LLaMA 3.1 模型在DAMODEL平台的部署与实战:打造智能聊天机器人
LLama3.1 是 Meta(Facebook 母公司)发布的系列大语言模型之一,属于 LLaMA(Large Language Model Meta AI)模型系列。LLaMA 模型的目标是通过更高效的设计在保持模型性能的前提下,显著降低其计算和资源需求。LLaMA 3.1 是该系列的最新版本,继承了前面版本,如 LLaMA 1 和 LLaMA 2的许多技术优势,并对模型架构、训练数据和推理能力进行了改进。
易辰君
2024/11/07
1810
LLaMA 3.1 模型在DAMODEL平台的部署与实战:打造智能聊天机器人
丹摩征文活动|Llama3.1的部署与使用指南
前言:人工智能(AI)技术正以前所未有的速度改变着我们的生活和工作方式。大型语言模型(LLM)作为AI领域的重要分支,以其卓越的自然语言处理能力、强大的知识推理能力和广泛的应用场景,成为了众多企业和开发者关注的焦点。而Llama3.1,作为这一领域的佼佼者,更是以其高效、智能和可扩展的特性,赢得了广泛的赞誉。
Eternity._
2024/11/12
1630
丹摩征文活动|Llama3.1的部署与使用指南
DAMODEL丹摩|Llama3.1:从设置到操作,轻松上手全攻略!
开源的大语言模型(LLM)生态系统依然生机勃勃,各种引人注目的模型不断涌现,包括像LLaMA和Alpaca这样的国际项目,以及国内开发的ChatGLM、BaiChuan和InternLM(书生·浦语)等模型。这些创新为开发者提供了在本地进行部署和个性化定制的绝佳机会,使其能够创建具有独特价值的应用程序。
用户11292525
2024/11/21
3180
DAMODEL丹摩|Llama3.1:从设置到操作,轻松上手全攻略!
探索Llama 3.1:开源模型的本地部署与创新应用实践
在数字化转型的浪潮中,大型语言模型(LLM)以其卓越的处理能力和广泛的应用潜力,正在成为人工智能领域的新宠。
忆愿
2024/11/04
1900
探索Llama 3.1:开源模型的本地部署与创新应用实践
【Datawhale AI 夏令营】Intel LLM Hackathon 天池挑战赛 本地环境搭建
IT蜗壳-Tango
2024/07/15
3350
Qwen2大模型微调入门实战(完整代码)
Qwen2是一个开源大语言模型。以Qwen2作为基座大模型,通过指令微调的方式实现高准确率的文本分类,是学习大语言模型微调的入门任务。
用户9029617
2024/06/09
3.5K1
Qwen2大模型微调入门实战(完整代码)
[AI Embedchain] 集成 Streamlit
在这个例子中,我们将学习如何使用mistralai/Mixtral-8x7B-Instruct-v0.1和Embedchain与Streamlit一起构建一个简单的RAG聊天机器人。
从零开始学AI
2024/08/13
1540
使用Streamlit创建AutoGen用户界面
AutoGen作为一个最大化LLM(如GPT-4)能力的框架而脱颖而出。由微软研究院开发的AutoGen通过提供一种自动化、优化和编排工作流的方法,简化了复杂的、基于多代理llm的应用程序的创建。我们在以前的文章中也有过介绍,你可以与许多GPT交谈,并且GPT和GPT之间也可以互相交谈。每个GPT都是它自己的“代理”,并在总体业务流程中扮演特殊角色。但是AutoGen是用命令行模式进行交互的,这对我们的输入来说非常不方便,所以这次我们来对其进行改造,使用Streamlit创建一个web界面,这样可以让我们更好的与其交互。
deephub
2023/11/09
1.2K0
使用Streamlit创建AutoGen用户界面
解锁AI Agent潜能:LLaMA3-1-8B-Instruct WebDemo部署实战(20/30)
在当今这个信息呈爆炸式增长的时代,AI Agent 宛如一位智能领航员,稳稳伫立在时代浪潮的前沿。它能自主感知环境变化,凭借自身的 “智慧” 做出精准决策,进而采取高效行动,致力于达成既定目标。从日常生活中的智能语音助手,到商业领域里的智能决策系统,AI Agent 的身影无处不在,已然成为推动各行业智能化转型的核心力量。
正在走向自律
2025/01/25
1340
解锁AI Agent潜能:LLaMA3-1-8B-Instruct WebDemo部署实战(20/30)
大模型开发实战:(四)使用 LangGraph 实现多智能体应用
随着大语言模型(LLM)技术的快速发展,人们期望利用 LLM 解决各种复杂问题,在此背景下,构建智能体(Agent)应用受到了广泛关注。用户与 LLM 的交互可以被视为一种 单智能体(Single-Agent) 行为:用户通过提示词(prompt)与通用 LLM 进行对话,LLM 理解问题并提供反馈。然而,单一智能体在处理复杂任务时存在明显局限性,例如需要用户多次引导、缺乏对外部环境的感知能力、对话历史记忆有限等。
张高兴
2025/05/21
4860
大模型开发实战:(四)使用 LangGraph 实现多智能体应用
NL2SQL实践系列(1):深入解析Prompt工程在text2sql中的应用技巧
NL2SQL基础系列(1):业界顶尖排行榜、权威测评数据集及LLM大模型(Spider vs BIRD)全面对比优劣分析[Text2SQL、Text2DSL]
汀丶人工智能
2024/04/18
4470
NL2SQL实践系列(1):深入解析Prompt工程在text2sql中的应用技巧
Qwen2大模型微调入门实战-命名实体识别(NER)任务
以Qwen2作为基座大模型,通过指令微调的方式做高精度的命名实体识别(NER),是学习入门LLM微调、建立大模型认知的非常好的任务。
zenRRan
2024/07/04
2.2K0
Qwen2大模型微调入门实战-命名实体识别(NER)任务
AI实用指南:5分钟搭建你自己的LLM聊天应用
今天,我们将迅速着手搭建一个高效且富有创意的混元聊天应用,其核心理念可以用一个字来概括——快。在这个快节奏的时代,构建一个基础的LLM(Large Language Model,大型语言模型)聊天应用并不需要耗费太多时间。市面上充斥着各种功能强大的大型语言模型,我们可以根据项目需求灵活选择,而今天的目标并非深入探讨这些模型的技术细节,而是将重点放在如何快速上手。
努力的小雨
2024/03/26
5650
从零到一:利用社区数据,LoRa微调与Spring AI 构建私有化千问模型
上次我们在Coze平台上成功搭建了一个针对金仓问题的解决助手。这个智能体的核心工作流程相对简单:每次它通过HTTP接口调用插件,在金仓平台内部进行搜索,随后利用大模型的推理能力对查询结果进行分析,从而为用户提供问题解答。然而,问题也随之而来——金仓内部的搜索功能存在一定的局限性。搜索出来的博文资料之间的关联性并不强,这使得智能体在回答问题时,往往需要检索大量、冗长的资料,甚至有时需要检索上万字的内容才能找到有价值的信息,从而影响了整体的工作效率。
努力的小雨
2025/05/04
2020
《书生·浦语大模型实战营》第4课 学习笔记:XTuner 微调 LLM:1.8B、多模态、Agent
假如在这一过程中没有出现任何的报错的话,那也就意味着我们成功安装好支持 XTuner 所运行的环境啦。其实对于很多的初学者而言,安装好环境意味着成功了一大半!因此我们接下来就可以进入我们的第二步,准备好我们需要的数据集、模型和配置文件!
流川疯
2024/06/12
4350
《书生·浦语大模型实战营》第4课 学习笔记:XTuner 微调 LLM:1.8B、多模态、Agent
文档和图片的OCR解析实践
文档中的图片或图片本身的OCR识别可以通过第三方工具如PaddleOCR和CNOCR来实现,如下是两个识别过程的实践,以及使用Streamlit构建可视化页面的示例。
码之有理
2024/01/16
6190
《开源大模型食用指南》,一杯奶茶速通大模型!新增Examples最佳实践!
我们希望成为 LLM 与普罗大众的阶梯,以自由、平等的开源精神,拥抱更恢弘而辽阔的 LLM 世界。
Datawhale
2024/09/12
1930
《开源大模型食用指南》,一杯奶茶速通大模型!新增Examples最佳实践!
【机器学习】Qwen2大模型原理、训练及推理部署实战
刚刚写完【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战 ,阿里Qwen就推出了Qwen2,相较于Qwen1.5中0.5B、1.8B、4B、7B、14B、32B、72B、110B等8个Dense模型以及1个14B(A2.7B)MoE模型共计9个模型,Qwen2包含了0.5B、1.5B、7B、57B-A14B和72B共计5个尺寸模型。从尺寸上来讲,最关键的就是推出了57B-A14B这个更大尺寸的MoE模型,有人问为什么删除了14B这个针对32G显存的常用尺寸,其实对于57B-A14B剪枝一下就可以得到。
LDG_AGI
2024/08/13
2.7K0
【机器学习】Qwen2大模型原理、训练及推理部署实战
【腾讯云云上实验室】从零开始搭建爬虫+向量数据库+LLM大模型构建企业私有化知识库
目前流行的中文开源大模型非ChatGLM(智普)、baichuan(百川)等莫属。虽然认知能力赶不上ChatGPT 3.5,但是它的开源吸引了广大的AI研究者。
刘秀君
2023/11/29
2.3K4
【腾讯云云上实验室】从零开始搭建爬虫+向量数据库+LLM大模型构建企业私有化知识库
小白也能轻松搞定:用几行代码实现强大的问答机器人!
Streamlit 是一个开源的 Python 库,用于快速创建和分享数据应用程序。其主要特点和优势包括:
一个程序猿的异常
2023/12/12
1K0
小白也能轻松搞定:用几行代码实现强大的问答机器人!
推荐阅读
相关推荐
LLaMA 3.1 模型在DAMODEL平台的部署与实战:打造智能聊天机器人
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档