Radzen Blazor 7.0.7版本发布:增强数据过滤与交互体验
Radzen Blazor是一个基于Blazor技术栈的企业级UI组件库,它为开发者提供了丰富的界面控件和工具,帮助快速构建现代化的Web应用程序。本次发布的7.0.7版本带来了一系列功能增强和问题修复,特别是在数据过滤、对话框服务和表单验证等方面有显著改进。
核心功能增强
数据过滤功能升级
新版本为IEnumerable<CompositeFilterDescriptor>类型添加了两个实用的扩展方法:
ToFilterString()方法:将复合过滤器描述符集合转换为过滤字符串ToODataFilterString()方法:专门生成符合OData标准的过滤字符串
这些方法极大地简化了复杂数据过滤场景下的开发工作,特别是在需要将客户端过滤条件转换为服务器端查询时。开发者现在可以更轻松地构建和序列化复杂的多条件过滤逻辑。
对话框服务改进
DialogService新增了CloseSideAsync方法,该方法不仅会关闭对话框,还会等待关闭动画完成。这对于需要确保对话框完全关闭后才能执行后续操作的场景非常有用,避免了动画未完成就触发后续逻辑可能导致的界面问题。
此外,对话框标题选项现在支持Icon属性,允许开发者为对话框标题添加图标,进一步提升用户体验和界面美观度。
重要问题修复
时间跨度选择器修复
修复了TimeSpanPicker组件在仅设置Min或Max属性时面板字段缺失的问题。现在无论是否同时设置最小和最大值,组件都能正确显示所有必要的输入字段。
数据导出功能优化
改进了ToCSV()导出方法对逗号的处理,确保包含逗号的数据能正确导出而不会破坏CSV格式。这对于导出包含复杂文本内容的数据尤为重要。
数据网格筛选修复
解决了DataGrid组件中CheckBoxList过滤器在绑定到动态数据时搜索功能失效的问题。同时修复了在自引用层次结构情况下过滤器选项未正确填充的缺陷。
表单验证改进
RadzenCompareValidator现在会正确响应Visible属性的变化,只有当Visible设置为true时才会执行验证逻辑,避免了不必要的验证操作。
日期时间过滤优化
修复了ToFilterString()方法对零时间DateTime值的序列化问题,现在会正确地只序列化日期部分,而忽略时间部分。
其他改进
- 修复了Numeric组件可能引发的空引用异常,提高了组件的稳定性
- 解决了RadzenScheduler组件在隐藏元素中时窗口大小调整导致的错误
- 添加了对非泛型IDictionary的表达式支持,扩展了组件的兼容性
- 修复了DataGrid列使用CustomFilterExpression时初始过滤不正确的问题
这些改进和修复使得Radzen Blazor在数据展示、用户交互和表单处理等方面更加稳定可靠,为开发者提供了更加强大的工具来构建高质量的Blazor应用。
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