TinyMist 0.13.12-rc4 版本发布:全面提升 Typst 文档开发体验
TinyMist 是一个专为 Typst 文档排版系统设计的语言服务器和开发工具链。作为 Typst 生态中的重要组成部分,它为开发者提供了代码补全、语法高亮、实时预览等现代化开发功能。最新发布的 0.13.12-rc4 版本带来了多项重要改进,显著提升了 Typst 文档开发的整体体验。
核心功能增强
本次更新中,TinyMist 对核心功能进行了多项优化。格式化工具 typstyle 升级至 v0.13.3 版本,实现了对文档格式化的全面支持。新版本能够正确处理之前被跳过的元素,包括与方程或代码混合的标记行、带注释的方程、包含 # 符号的数学表达式以及数学参数等。这些改进使得代码格式化更加智能和全面。
在编译器性能方面,新版本修复了根目录变更检测的问题,避免了频繁的虚拟文件系统缓存失效。同时移除了对系统时间的依赖,使 TinyMist 能够构建为 wasm32-unknown-unknown 目标,为未来作为 Typst 插件使用奠定了基础。
编辑器体验优化
编辑器功能是本版本的重点改进领域。数学引号的 token 类型从字符串调整为其他类型,解决了在输入数学表达式时的自动补全问题。焦点切换逻辑得到优化,减少了在通过 API 切换文档时的虚拟文件系统缓存失效。
新增的 AST 视图功能为开发者提供了更直观的代码结构分析工具。状态栏格式现在支持显示页面计数信息,方便开发者快速了解文档规模。配置项 tinymist.formatterMode 的默认值从 never 改为 typstyle,体现了团队对代码格式化重要性的认可。
代码分析与诊断能力提升
代码分析功能在本版本中得到了显著增强。相对路径解析功能现在能够正确处理子文件夹中的文档链接。重命名功能在 Unix 平台上的问题得到修复,特别是针对类似 #import "../foo.typ" 的相对导入场景。
新增的多种代码检查规则进一步提升了代码质量保障能力:
- 针对容易出错的 show/set 规则的检查
- 对 break/continue/return 前隐式丢弃语句的检查
- 类型与字符串比较的检查(警告类似 type("") == "str" 的表达式)
- 对可变字体使用的检查(警告类似 text(font: "XXX VF") 的参数)
开发者现在可以通过 tinymist.lint.enabled 和 tinymist.lint.when 配置项灵活控制检查的启用时机。
预览与交互改进
预览功能在本版本中获得了多项用户体验优化。水平拖动预览面板的功能得到修复,点击空白区域清除选择的行为更加符合直觉。新增了将预览面板弹出到浏览器的功能,为多显示器工作环境提供了更好的支持。
悬停文档中的官方参考链接得到修正,参考文献标签的渲染和格式化显示效果得到改善。定义跳转功能现在能够正确解析参考文献条目的完整范围,提供更精确的导航体验。
其他重要改进
折叠范围功能新增了对 list 和 enum 项目的支持,使代码结构更加清晰可读。诊断消息中多余的行间距问题得到修复,输出更加整洁。文档高亮功能现在能正确处理 context {} 块对 break/continue 与父循环关联的影响。
在构建和分发方面,VS Code 扩展现在使用 cargo-dist 构建的二进制文件,确保了更好的兼容性。端到端测试现在覆盖主要平台,PDF 文档被构建并打包到 VS Code 扩展中,为所有平台用户提供一致的文档体验。
总结
TinyMist 0.13.12-rc4 版本通过多项功能增强和问题修复,显著提升了 Typst 文档开发的效率和质量。从核心的格式化、编译功能,到编辑器体验、代码分析,再到预览交互,这个版本在多个维度都带来了实质性改进。这些变化体现了 TinyMist 项目对开发者体验的持续关注,也为 Typst 生态的发展做出了重要贡献。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00