Watcharr v2.1.0 版本发布:新增系统主题适配与搜索优化
Watcharr 是一款开源的影视剧追踪管理工具,它可以帮助用户记录观看进度、管理收藏列表,并支持从多种平台导入观看记录。作为一个现代化的自托管解决方案,Watcharr 提供了简洁直观的用户界面和丰富的功能特性。
主要新特性
系统主题自动适配
本次更新最引人注目的功能是新增了系统主题自动适配能力。该功能由开发者 antoniosarro 贡献实现,能够根据用户操作系统的主题设置自动切换 Watcharr 的亮色/暗色主题。这一改进显著提升了用户体验的一致性,特别是在夜间使用场景下,系统能够无缝过渡到护眼的暗色模式。
技术实现上,前端通过监听 prefers-color-scheme 媒体查询来检测系统主题变化,并实时调整应用的主题变量。这种实现方式既保持了性能高效,又确保了切换过程的平滑过渡。
全局搜索快捷键
为提高用户操作效率,v2.1.0 版本新增了 Ctrl+S 全局搜索快捷键。用户在任何界面按下该组合键即可快速跳转到搜索功能,大大简化了导航流程。开发者 IRHM 在实现时特别注意了快捷键冲突问题,确保不会干扰其他常用操作的按键组合。
关于对话框
新增的关于对话框可通过面部菜单访问,为用户提供了查看应用版本信息和相关说明的便捷途径。该功能由首次贡献者 Clusters 实现,展示了 Watcharr 社区不断壮大的开发者生态。
数据导入改进
IMDb 导入准确性提升
jigglycrumb 贡献的改进显著提升了从 IMDb 导入数据的准确性。新版本优化了数据匹配算法,能够更精准地识别和关联影视作品信息,减少了手动修正的需要。
Ryot 8 文件支持
IvanBeke 的贡献为 Watcharr 添加了对 Ryot 8 格式导入文件的支持,进一步扩展了与其他影视追踪工具的互操作性。这一改进使得从 Ryot 迁移到 Watcharr 的用户能够更顺畅地转移他们的观看记录。
技术优化与维护
在技术债务管理方面,v2.1.0 版本包含了多项依赖项更新:
- 后端服务升级了 gin-contrib/cors、golang-jwt/jwt 等多个关键库,提升了安全性和性能
- 前端构建工具链更新至最新版本,包括 Vite 6.2.6 和 TypeScript 5.8.3
- 样式预处理工具 Sass 更新至 1.86.3 版本
这些更新不仅修复了已知的安全漏洞,还带来了构建性能的提升和开发体验的改善。
文档完善
本次发布还包含了文档方面的改进,新增了关于文本文件、Trakt 和 Watcharr 之间数据导入的详细说明。这些文档帮助用户更好地理解和使用 Watcharr 的数据迁移功能。
未来展望
开发团队透露,v3.0 版本正在积极开发中,主要聚焦于列表数据处理架构的重构。这一改动将带来显著的性能提升,同时保持向后兼容性,确保用户无需进行繁琐的数据迁移。完成这一基础架构升级后,团队将回归更频繁的功能迭代节奏。
Watcharr 作为一个社区驱动的开源项目,始终欢迎新的贡献者加入。无论是代码贡献、问题报告还是文档改进,都能帮助这个项目不断成长。对于需要帮助的用户,项目维护团队提供了完善的支持渠道,确保每个问题都能得到及时响应。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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