DivKit 32.1.0版本发布:跨平台UI框架的重大更新
DivKit项目简介
DivKit是一个强大的跨平台UI框架,它允许开发者通过声明式的JSON配置来构建复杂的用户界面。该框架特别适合需要动态更新UI内容的场景,如新闻应用、电商平台等。DivKit支持Android和iOS两大移动平台,通过统一的JSON描述文件,开发者可以轻松实现跨平台UI的一致性。
Android客户端更新详解
视觉渲染优化
本次更新修复了一个可能导致应用崩溃的视觉渲染问题。当开发者同时设置blur = 0和corner_radius = 0时,系统可能会触发崩溃。这种情况通常出现在需要完全禁用模糊效果和圆角的情况下。修复后,开发者可以安全地使用这些极端值配置而不用担心稳定性问题。
触发器机制增强
DivKit的触发器系统得到了重要改进。在之前的版本中,当多个div视图同时存在时,某些触发器可能无法正常工作。这种问题在多视图交互场景中尤为明显。32.1.0版本彻底解决了这一问题,确保了复杂界面中所有触发器都能可靠地响应事件。
字体变体支持
本次更新为文本相关组件带来了font_variation_settings属性的全面支持。这一特性现在可用于:
- 基础文本组件(
text) - 文本范围(text ranges)
- 输入框(
input) - 选择器(
select) - 滑块(
slider)的拇指文本
font_variation_settings允许开发者更精细地控制字体表现,如调整字重、宽度等OpenType可变字体特性,为UI设计提供了更大的灵活性。
iOS客户端更新详解
分页器无限滚动修复
DivKit 32.1.0修复了iOS平台上div-pager组件的一个重要问题。当启用infinite_scroll(无限滚动)功能并配合set_next_item动作时,如果当前选中的是最后一个项目,滚动行为可能会出现异常。这一修复确保了分页器在边界条件下的平滑滚动体验。
尺寸计算逻辑优化
框架对视图尺寸的计算逻辑进行了重要调整。现在,当使用尺寸提供者(size provider)时,计算结果不再包含子视图的边距(margins)。这一变化使得布局计算更加精确,避免了因边距导致的意外布局行为,特别是在嵌套布局结构中效果更为明显。
图片布局增强
iOS版本现在全面支持图片的wrap_content布局模式。这意味着图片可以根据其内在内容尺寸自动调整大小,而不需要显式指定固定尺寸。这一特性特别适合处理动态加载的图片内容,使得图片展示更加灵活和自适应。
技术影响与最佳实践
本次更新对DivKit开发者有以下实践建议:
-
视觉效果安全使用:现在可以放心地在Android平台上使用
blur = 0和corner_radius = 0的组合,无需担心崩溃问题。 -
复杂交互设计:利用修复后的触发器系统,开发者可以构建更复杂的多视图交互逻辑,确保所有事件都能正确触发。
-
字体精细控制:新的字体变体支持为品牌一致性设计提供了更多可能,建议在设计系统中充分利用这一特性。
-
iOS布局优化:在iOS平台上,现在可以更自由地使用自适应图片布局,减少硬编码尺寸的使用,提高布局的灵活性。
-
分页器改进:无限滚动分页器现在更加可靠,特别适合内容流展示场景,如新闻feed或产品轮播。
总结
DivKit 32.1.0版本通过多项重要修复和功能增强,进一步提升了框架的稳定性和表现力。跨平台的一致性支持使得开发者能够更高效地构建高质量的动态UI。特别是字体变体支持和布局计算的优化,为创建精致、响应式的用户界面提供了更多可能性。建议现有项目及时升级,以利用这些改进带来的好处。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00