一、官方教程

链接如下：https://docs.nvidia.com/jetson/agx-thor-devkit/user-guide/latest/quick_start.html#reinstall-usb-previous

此处唯一要注意的是，选择要选择在NVMe。

二、自带资源

网址：https://developer.nvidia.com/embedded/jetpack/downloads

自带资源包括如下：

Jetson Linux 38.2.1 自带环境总览表（官方基线）

一、系统与内核层（不可动）

分类	组件	版本 / 状态	说明
操作系统	Ubuntu	24.04 LTS (Noble)	官方指定
Jetson Linux	L4T	38.2.1	JetPack 7 基线
内核	Linux Kernel	6.8 LTS	Tegra 定制
架构	CPU Arch	ARM64 (SBSA)	Thor / Orin
启动	Boot	UEFI + extlinux	服务器化
安全	TEE	OP-TEE	已启用
驱动框架	RM	OpenRM	Thor 专用

1.1 关于SBSA

SBSA = Server Base System Architecture
👉 ARM 官方制定的“服务器级 ARM 硬件规范”

它不是一颗 CPU，而是一套 “服务器 ARM 平台必须遵守的统一硬件标准”。

直观理解一句话：

SBSA 之于 ARM，就相当于“PC 规范”之于 x86 服务器

问题起因：

早期 ARM 平台的问题是：

• 每家厂商硬件差异极大
• 启动方式、时钟、定时器、中断控制器都不统一
• 操作系统、驱动、容器、深度学习框架 难以通用

👉 SBSA 的目的：让 ARM 服务器“像 x86 一样好用”

做了什么

1️⃣ 固定的启动与固件接口

• UEFI
• ACPI
• 标准化启动流程（不再是五花八门的 device tree）

2️⃣ 固定的中断与定时器

• GIC（Generic Interrupt Controller）
• ARM Generic Timer

3️⃣ 标准的 I/O 与 PCIe

• PCIe 枚举方式统一
• DMA、一致性模型规范化

4️⃣ 标准化内存与 NUMA

• 支持多路 CPU
• 支持 NUMA 架构（服务器必备）

ARM64 是指令集，SBSA 是服务器级规范
ARM64（SBSA） = 像 x86 服务器一样规范的 ARM 服务器平台

二、GPU / AI 计算栈（系统级内置）

分类	组件	版本	说明
CUDA	CUDA Runtime	13.0	系统内置
CUDA 工具	nvcc / utils	13.0	nvidia-l4t-cuda-utils
深度学习	cuDNN	9.12	系统级集成
推理	TensorRT	10.13.x	不再单独暴露 deb
GPU 管理	NVML	内置	Jetson 专用
专用加速	PVA	内置	视觉加速

👉 结论：
CUDA / cuDNN / TensorRT 全部“已就绪”，严禁手动安装

---

三、图形 / 显示 / 窗口系统

分类	组件	版本	状态
OpenGL	Desktop GL	4.6	✅
OpenGL ES	GLES	3.2	✅
Vulkan	Vulkan	1.4	✅
Vulkan SC	Safety Critical	1.0	✅
显示协议	Wayland	内置	✅
Compositor	Weston	内置	✅
传统窗口	X11	内置	✅
兼容层	XWayland	内置	✅

四、多媒体 / 相机 / 视频管线

分类	组件	状态	说明
多媒体框架	GStreamer	NVIDIA 加速版	出厂自带
摄像头	Argus	✅	CSI / GMSL
摄像头	SIPL	✅	Ethernet Camera
视频解码	HW Codec	✅	OpenRM
视频编码	HW Codec	✅	OpenRM

五、系统工具与管理组件

分类	工具	状态	说明
功耗管理	nvpmodel	✅	模式切换
风扇控制	nvfancontrol	✅	自动 / 手动
外设配置	jetson-io	✅	GPIO / Pinmux
监控	tegrastats	✅	Jetson 独有
网络	NetworkManager	✅	默认
WiFi	wpa_supplicant	NVIDIA 版	默认

六、默认 不自带（需要你后续自己装）

组件	是否自带	备注
NVIDIA Container Toolkit	❌	Jetson 专用方式
ROS / ROS 2	❌	官方支持 Humble
Isaac ROS	❌	官方标注 Coming soon
DeepStream	❌	SDK 形式
浏览器	❌	需自行安装
VS Code	❌	Remote 推荐

七、你当前系统状态对应关系（与你 dpkg 输出对齐）

dpkg 中看到的包	属于哪一类
nvidia-l4t-core	系统核心
nvidia-l4t-kernel*	内核 / 驱动
nvidia-l4t-cuda*	CUDA Runtime
nvidia-l4t-multimedia*	多媒体
nvidia-l4t-wayland / x11	显示系统
nvidia-l4t-nvpmodel	功耗管理
nvidia-l4t-optee	安全

👉 全部匹配，且没有异常项

各部分说明

一、系统与内核层：这是“地基”，你基本不碰

Ubuntu 24.04 + Jetson Linux 38.2.1

这部分可以理解为：

“给 Thor 定制过的服务器级 Ubuntu”

• Ubuntu 24.04：
  你熟悉的用户空间（apt、systemd、gcc、Python）
• Jetson Linux 38.2.1：
  NVIDIA 把 驱动、GPU、相机、加速器 全部“焊”进系统里的那一层

👉 作用：
保证你一开机，就能用 GPU、用相机、用硬件加速

Kernel 6.8 + OpenRM

这是 Thor 非常“新”的一层。

• Kernel 6.8：新内核，面向 AI / 高并发 / 服务器

• OpenRM：
  新一代 GPU / 多媒体资源管理方式

  目标是：稳定、隔离、容器友好

---

二、GPU / AI 计算栈：这是 Thor 的“心脏”

这一块你以后天天用，但很少直接碰包本身。

---

CUDA（Runtime + Utils）

你可以把它理解成：

“GPU 的操作系统接口”

• CUDA Runtime：
  让程序能把任务丢给 GPU
• CUDA Utils / nvcc：
  编译 CUDA 程序、跑 kernel

👉 你什么时候用？

• 写 CUDA
• TensorRT 推理
• PyTorch / TensorFlow（底层）

---

cuDNN

这是：

“神经网络算子加速库”

• 卷积
• Attention
• RNN
• Transformer 底层

👉 你什么时候会感知？

• 你会发现：
  👉 同样的模型，Jetson 跑得“还行”
• 但你不会直接 import cuDNN

---

TensorRT

这是 Thor 上最重要的“上层武器”。

“推理专用引擎”

作用：

• 把模型（ONNX / PyTorch）
  → 编译成 Thor GPU 最优执行图
• 控制精度（FP16 / INT8）
• 控制显存 / batch / latency

👉 你什么时候会真正用到？

• 当你追求：
  • 延迟
  • 吞吐
  • 稳定性
• 比如：
  • 多模型并行
  • 实时系统
  • 机器人推理

---

三、图形与显示：不是为了“好看”，而是为了“可用”

OpenGL / Vulkan

这不是给你打游戏的。

主要用在：

• Gazebo / 仿真
• 相机可视化
• NoMachine 远程桌面
• 工具 UI

👉 你什么时候会感知？

• 一开 Gazebo
• 一开 GUI 程序
• 一连 NoMachine

---

Wayland / X11 / XWayland

这是：

“窗口系统兼容层”

• Wayland：新一代
• X11：老但稳
• XWayland：
  让老 X 程序跑在 Wayland 上

👉 对你意味着什么？

• GUI 程序“能跑”
• NoMachine 能用
• 但 长期跑 GUI = 吃资源

---

四、多媒体 / 相机：这是 Jetson 的“传统强项”

GStreamer（NVIDIA 加速版）

这是：

“一切视频 / 相机 / 编解码的正解”

用来干什么？

• 摄像头采集
• 视频解码
• 推流
• 多路视频管线

👉 你什么时候会用？

• 相机
• 机器人感知
• 视频流

👉 重要认知：

• 不要用纯 OpenCV 硬怼视频
• GStreamer 才是正道

---

Argus / SIPL

这是：

“相机硬件抽象层”

• Argus：CSI / GMSL
• SIPL：以太网相机

👉 你什么时候会感知？

• 插相机
• 调参数
• 做多相机系统

---

五、系统工具

nvpmodel

这是：

“功耗 / 性能档位选择器”

• 控制：
  • 核心数
  • 频率
  • 功耗上限

👉 什么时候用？

• 跑性能实验
• 跑 Demo
• 调稳定性

---

tegrastats

这是：

“Jetson 的心电图”

你用它看：

• GPU 占用
• 内存
• EMC 带宽
• 温度

👉 这是你判断“系统是否健康”的唯一靠谱工具

---

jetson-io

这是：

“外设 / 引脚配置工具”

你接：

• GPIO
• I2C
• SPI
• UART

👉 机器人 / 嵌入式必用

---

六、设计选择

这一点非常重要：

Docker / ROS / DeepStream

不是 NVIDIA 忘了给你，而是：

他们希望你“自己决定上层架构”

• Docker：你决定要不要容器化
• ROS：你决定 ROS1 / ROS2 / 版本
• DeepStream：你决定是否做视频 AI

👉 系统只提供“地基”，不上“玩法”

---

七、把整张表压缩成一句“直觉”

Jetson Thor 的系统设计思路是：
底层全部给你焊死、调稳；
上层完全放权给你折腾。