pyRevit项目v5.2.0版本发布:增强Revit自动化与扩展能力
项目简介
pyRevit是一个强大的Revit插件框架,为Autodesk Revit软件提供Python脚本支持和扩展功能。它允许用户通过Python脚本自动化Revit中的各种任务,创建自定义工具,并扩展Revit的功能。pyRevit特别适合建筑信息模型(BIM)工作流程中的自动化需求,能够显著提高设计效率。
版本亮点
最新发布的pyRevit v5.2.0版本带来了多项重要更新和改进,主要集中在功能增强、错误修复和用户体验优化方面。
新增扩展支持
本次更新引入了pyrevit-mcp扩展,这是一个由社区贡献的功能模块,为Revit用户提供了更多实用工具。扩展的加入进一步丰富了pyRevit的生态系统,让用户能够根据自身需求选择更多专业功能。
面板标题自定义
开发团队为.panel bundle.yaml文件添加了对'title:'属性的支持。这一改进使得用户能够更灵活地自定义面板标题,增强了界面个性化能力,让工具组织更加符合个人工作习惯。
核心功能改进
预检检查功能增强
预检检查工具(Preflight Checks)新增了配置模式,可以将审计所有检查的数据导出为CSV格式。这一改进使得用户能够:
- 更方便地进行数据分析和报告生成
- 将检查结果导入商业智能(BI)工具进行更深入的分析
- 建立长期的质量控制记录和趋势分析
数据类型兼容性
针对即将发布的Revit 2026版本,开发团队提前进行了兼容性优化,特别是修复了int64数据类型以支持2026版本的LongId。这种前瞻性的更新确保了pyRevit在新版本Revit发布时能够无缝工作。
工具优化与修复
图纸工具改进
"复制图纸到打开文档"工具现在能够保留详图编号,解决了用户在使用过程中遇到的一个常见痛点。这一改进使得图纸复制过程更加完整,减少了后续手动调整的工作量。
颜色标记工具修复
颜色标记工具(Color Splasher)中的Revit API类调用问题得到了修复,同时对MEP区域和空间的行为进行了优化。这些改进使得:
- 工具运行更加稳定
- 在MEP专业中的使用体验更加流畅
- 减少了意外错误的发生
编号工具增强
重新编号工具(Renumber)现在能够更好地处理活动UI中的多个打开视图,解决了在多视图环境下可能出现的问题。同时,工具本身的稳定性也得到了提升。
其他重要更新
- 字体切换工具:新增了字体切换功能,让用户能够快速更改文本样式
- 族参数清理:扩展了"清除族参数"按钮的功能,新增了"关联到其他"选项
- 列表选择改进:优化了selectFromList功能,提升了用户体验
- Git凭证处理:修复了LibGit2Sharp缺少CredentialsProvider的问题
- 快速工具栏:新增了快速访问工具栏扩展
技术实现细节
本次更新在底层技术方面也做了多项优化:
- 改进了Go Telemetry模块,为后续将遥测功能外部化做准备
- 增强了脚本的UTF-8编码处理能力
- 优化了多个工具的性能和稳定性
总结
pyRevit v5.2.0版本通过新增功能、修复问题和优化体验,进一步巩固了其作为Revit自动化首选工具的地位。特别是对即将发布的Revit 2026版本的兼容性准备,显示了开发团队的前瞻性思维。无论是对于日常BIM工作流程的自动化,还是复杂任务的批处理,这个版本都提供了更强大、更稳定的支持。
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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
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