Rakudo 2025.03版本发布:Raku语言实现的重要更新
Rakudo作为Raku语言的主要实现之一,在2025年3月发布了第181个版本(2025.03)。这个版本带来了多项改进、修复和新功能,进一步提升了Raku语言的开发体验和运行效率。
Raku是一种多范式编程语言,它继承了Perl的许多优秀特性,同时引入了现代化的编程概念。Rakudo则是Raku语言的参考实现,使用NQP(Not Quite Perl)工具链构建,支持MoarVM和JVM后端。
核心改进与优化
本次发布的2025.03版本在多个方面进行了优化:
-
REPL环境增强:现在REPL中可以正确保持语法修改,并支持多行注释,大大改善了交互式开发体验。
-
性能优化:对预编译文件的字节码部分进行了8字节对齐处理,这可以提升某些架构上的内存访问效率。
-
类型系统增强:允许使用Mu:U作为Mu的同义词进行签名测试,增加了类型检查的灵活性。
-
内存报告改进:内存初始值显示现在使用下划线分隔千位数,提高了可读性。
-
Hash参数化扩展:对Hash类型的参数化处理进行了统一和扩展,使Hash/::Typed/::Object能够采用相同的参数化方式。
新增功能特性
2025.03版本引入了一些实用的新功能:
-
Range方法增强:为Range类型添加了min/max方法,支持:k、:kv和:p等命名参数,提供了更多获取范围极值的方式。
-
类型对象比较:新增了===操作符对类型对象的支持,完善了类型系统的比较操作。
-
错误处理增强:添加了多个新的异常类型,包括参数顺序错误(X::Parameter::WrongOrder)、占位参数重声明、参数默认值类型检查失败(X::Parameter::Default::TypeCheck)等,使错误信息更加精确。
-
调试辅助:在数值未初始化警告中尽可能包含变量名,帮助开发者更快定位问题。
重要问题修复
本次发布修复了多个影响稳定性和正确性的问题:
-
签名处理修复:修正了带有参数化泛型类型的签名处理问题,确保类型系统的一致性。
-
对象构建流程:明确了BUILDALL和POPULATE之间的关系,减少了开发者在这方面的困惑。
-
Buf/Blob处理:修复了Buf和Blob类型的join/raku方法对无符号整数的处理问题。
-
属性检查:修复了一系列未声明属性检查的问题,提高了代码安全性。
-
方法调用:修复了.assuming方法产生类型化slurpy参数的问题,确保方法调用的正确性。
RakuAST开发进展
RakuAST作为Raku的新抽象语法树实现,在本版本中取得了显著进展:
- 共提交了293个相关变更
- 通过了143/153的基础测试(make test)
- 通过了1298/1355的规范测试(make spectest)
这些进展为未来Raku语言的语法树处理奠定了基础,将带来更好的编译时检查和元编程能力。
开发者体验改进
2025.03版本特别关注了开发者体验的提升:
-
错误提示增强:为MethodNotFound错误添加了关于!cursor_start的特殊提示,帮助语法开发者更快解决问题。
-
私有类命名:使用了更直观的"private"类名,减少了开发者的困惑。
-
闰秒处理:更新了闰秒日期添加逻辑,确保时间处理的准确性。
总结
Rakudo 2025.03版本在语言实现稳定性、开发者体验和功能完整性方面都取得了显著进步。这些改进使得Raku语言更适合用于构建复杂的应用程序,同时也降低了新手的入门门槛。
随着RakuAST的持续开发,我们可以期待未来版本会带来更强大的元编程能力和更高效的代码执行。对于现有用户来说,这个版本提供了平稳的升级路径;对于新用户而言,现在正是开始探索Raku语言强大功能的好时机。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00