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。
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