ggdist 3.3.3版本发布:统计可视化工具的重大升级
ggdist是一个基于ggplot2的R语言扩展包,专注于统计分布的可视化。它为数据科学家和统计分析师提供了强大的工具,能够直观地展示数据分布、不确定性以及各种统计推断结果。最新发布的3.3.3版本带来了一系列功能增强和用户体验改进,使统计可视化更加灵活和强大。
核心功能升级
子比例尺(subscale)系统增强
3.3.3版本在原有子引导(subguide)系统的基础上,引入了子比例尺(subscale)功能。这一创新允许用户针对每个几何对象的厚度比例尺单独设置限制(limits)和扩展(expand)参数。与scale_thickness_shared()类似,但提供了更细粒度的控制。
用户现在可以通过全局环境设置默认的子比例尺和子引导,包括subscale_thickness、subguide_slab、subguide_dots和subguide_spike。这一改进使得在多图环境中保持一致的视觉风格变得更加容易。
模糊点图(blur dots)支持方形形状
geom_blur_dots()现在支持方形(square)形状,为数据可视化提供了更多样化的表现方式。这一改进特别适用于需要区分不同类别或条件的点图场景。
参数传递机制优化
stat_slabinterval()及其相关函数现在更多地使用waiver()机制,使得参数既可以在统计变换调用时设置,也可以在密度估计器调用时指定。这种灵活性让用户能够更自然地组织代码逻辑。
统计功能增强
直方图密度估计改进
density_histogram()函数新增了right_closed和outermost_closed参数,允许用户精确控制箱(bin)的边缘开闭性。这一改进在处理边界条件时特别有用,确保了统计结果与用户预期一致。
区间宽度辅助函数
新引入的interval_widths()和pretty_widths()函数简化了创建美观嵌套区间集的过程。这些工具函数特别适用于需要展示多个置信水平或不确定性范围的可视化场景。
用户体验优化
文档改进
几乎所有参数的文档现在都包含了有效数据类型的注释,大大提高了文档的实用性和可读性。这一改进使得用户能够更快地理解如何正确使用各个函数。
错误修复与行为一致性
3.3.3版本修复了多个影响用户体验的问题:
- 统计和几何对象现在正确传递
check.aes和check.param参数,避免了在管道操作中产生不必要的警告 point_interval()函数现在完全支持tidy evaluation,并确保在输入为tibble时始终返回tibble,提高了行为的一致性
兼容性说明
值得注意的是,3.3.3版本将最低R版本要求提升至4.0,这是由于多个依赖包已经提高了版本要求。用户在升级前应确保其R环境符合这一要求。
ggdist 3.3.3版本的这些改进和新增功能,使得统计可视化更加灵活、强大且用户友好,进一步巩固了它作为R生态系统中统计可视化重要工具的地位。
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