Conan 2.13.0 发布:构建工具链与依赖管理的全面升级
Conan 是一个开源的 C/C++ 包管理器,旨在简化 C/C++ 项目的依赖管理和构建过程。它支持跨平台开发,能够帮助开发者轻松管理项目依赖,并确保在不同环境中构建的一致性。随着 2.13.0 版本的发布,Conan 在构建工具链、依赖管理和工作空间支持等方面带来了多项重要改进。
CMake 工具链的增强
本次更新对 CMake 相关的工具链支持进行了显著增强。CMakeDeps 生成器现在能够为 cmake_additional_variables_prefixes 定义 {prefix}_FOUND 和 {prefix}_VERSION 变量,这使得 CMake 脚本能够更灵活地检测和使用依赖包。此外,新增的 CMAKE_LIBRARY_PATH 和 CMAKE_INCLUDE_PATH 被添加到 conan_cmakedeps_paths.cmake 中,进一步改善了库和头文件的查找机制。
对于正在孵化的 CMakeConfigDeps 生成器,现在可以通过配置标志在 conanfile 中使用。这个新特性为构建系统提供了更现代的 CMake 配置方式,是未来 CMake 集成的重要发展方向。
工作空间功能的完善
工作空间(Workspace)功能在 2.13.0 版本中得到了显著增强。新增的 workspace install 命令专门为包含多个可编辑(editable)包的超级项目设计,极大地简化了大型项目的开发流程。配合这一改进,conan new workspace 模板现在包含了一个基于 CMake 的超级项目结构,开发者可以快速搭建适合工作空间模式的项目框架。
这些改进使得在开发大型项目时,能够更方便地管理多个相互依赖的组件,同时保持高效的开发迭代速度。
依赖管理与版本控制
在依赖管理方面,2.13.0 版本引入了多项实用功能。新增的 lock upgrade 命令可以自动升级指定的依赖项并解析依赖图,大大简化了依赖版本升级的过程。Version 类新增的 in_range 方法提供了方便的版本范围比较功能,使得依赖版本约束更加灵活。
对于本地配方索引(local-recipes-index)远程源,现在当请求特定修订版本时会显示警告信息,帮助开发者避免潜在的版本冲突问题。
构建系统与工具链改进
构建系统支持方面,AutotoolsToolchain 现在允许从配置(conf)中获取构建上下文信息,提高了配置的灵活性。对于 MinGW 编译器,settings.yml 新增了 mcf 线程模型支持,完善了对 GCC MinGW 工具链的兼容性。
Premake 工具的 CLI 包装器也得到了增强,现在支持配置 Lua 文件路径和自定义命令行参数,为使用 Premake 的项目提供了更大的灵活性。
性能与稳定性优化
在性能方面,解压(untar)操作的性能得到了显著提升。运行时部署(runtime_deploy)现在能够正确处理符号链接及其关联的库文件,解决了之前可能导致的运行时依赖问题。
错误处理机制也有所改进,现在对于组件定义错误和运行时冲突会提供更清晰的错误信息。同时,修复了 _calculate_licenses SBOM 方法中的错误,并添加了相应的测试用例。
安全与兼容性更新
在安全方面,Conan 2.13.0 将 urllib3 依赖升级到了 2.0 版本,确保了网络通信的安全性。对于 msys2 子系统,现在能够正确继承环境变量中的路径设置,提高了在 Windows 平台下的兼容性。
总结
Conan 2.13.0 版本在构建工具链支持、依赖管理、工作空间功能和整体稳定性等方面都带来了重要改进。这些变化不仅提高了开发效率,也为大型项目的管理提供了更好的支持。对于 C/C++ 开发者而言,升级到 2.13.0 版本将能够体验到更流畅、更强大的包管理和构建体验。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00