Vxe-Table 4.13.35版本发布:聚合计算功能升级与虚拟渲染优化
项目简介
Vxe-Table是一个基于Vue.js的高性能表格组件库,它提供了丰富的表格功能,包括虚拟滚动、单元格合并、分组展示、排序过滤等特性。该组件库以其出色的性能和灵活的配置而受到开发者欢迎,特别适合处理大数据量的表格展示场景。
版本亮点
本次发布的Vxe-Table 4.13.35版本主要带来了聚合计算功能的重大升级和对虚拟渲染模式的优化改进。这些变化不仅提升了功能完整性,也改善了用户体验。
聚合计算功能重构
功能升级背景
在之前的版本中,Vxe-Table通过row-group-config参数实现行分组和简单的计数功能。随着业务需求的复杂化,用户需要更强大的聚合计算能力,如求和、平均值等统计功能。因此,本次版本对这部分功能进行了重构和扩展。
主要变更点
-
参数重命名:将
row-group-config更名为更具语义化的aggregate-config,明确表示该配置用于聚合计算而非简单的行分组。 -
方法增强:新增了
isAggregateRecord和isAggregateExpandByRow方法,替代原有的isRowGroupRecord和isRowGroupExpandByRow,这些方法名更准确地反映了其功能本质。 -
计算能力扩展:通过新增的
agg-func列属性,开发者可以为每列指定不同的聚合函数,实现更灵活的统计计算。
迁移指南
对于正在使用旧版本row-group-config的开发者,需要注意以下几点:
- 将
row-group-config配置替换为aggregate-config countMethod属性更名为aggregateMethod- 原先在
countFields中指定的字段现在通过列的aggFunc属性配置
虽然旧参数和方法在v4版本中仍保留兼容,但建议开发者尽快迁移到新API,以便获得更完整的功能支持。
虚拟渲染模式优化
问题修复
本次版本修复了虚拟渲染模式下自适应行高默认显示无效的问题。虚拟渲染是Vxe-Table的核心特性之一,它通过只渲染可视区域内的行来大幅提升大数据量场景下的性能表现。行高自适应功能的修复使得表格在不同内容高度下能够正确显示,提升了视觉一致性。
合并单元格对齐修复
另一个值得注意的修复是针对合并单元格垂直对齐的问题。在之前的版本中,合并单元格的垂直对齐设置可能不生效,这影响了表格的视觉效果。本次更新确保了合并单元格能够正确响应垂直对齐设置。
技术实现建议
对于计划升级到4.13.35版本的开发者,以下是一些技术实现建议:
-
聚合计算配置:利用新的
aggregate-config参数可以轻松实现复杂的统计功能。例如,可以配置求和方法来汇总销售数据,或使用平均值方法计算评分。 -
虚拟渲染优化:在需要展示大量数据的场景下,确保开启虚拟渲染模式以获得最佳性能。现在自适应行高功能已修复,可以放心使用不同高度的内容。
-
渐进式迁移:如果项目中使用到了旧的行分组功能,可以采用渐进式迁移策略,先替换配置参数,再逐步更新相关方法调用。
总结
Vxe-Table 4.13.35版本通过重构聚合计算功能和优化虚拟渲染,进一步提升了表格组件的实用性和性能表现。这些改进使得开发者能够更轻松地实现复杂的数据展示需求,同时保证了良好的用户体验。建议用户及时升级以获取这些改进,特别是那些需要高级统计功能的项目。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00