MidScene v0.14.0 发布:Android 代码迁移与 AI 接口优化
MidScene 是一个专注于移动端 UI 自动化测试和智能交互的开源项目。它通过结合计算机视觉和机器学习技术,为开发者提供了一套高效、智能的 UI 测试和交互解决方案。在最新发布的 v0.14.0 版本中,项目团队带来了多项重要更新和改进。
Android 代码迁移与重构
本次版本最显著的变化之一是 Android 相关代码的迁移和重构。开发团队将 Android 代码迁移到了专门的 @midscene/android 包中,这种模块化的设计使得代码结构更加清晰,便于维护和扩展。
同时,团队还对 Android API 进行了重构优化,提升了接口的易用性和一致性。这种重构不仅改善了开发体验,也为后续的功能扩展打下了良好的基础。
AI 交互接口优化
MidScene 的核心优势之一是其强大的 AI 交互能力,本次更新在这方面做了多项改进:
-
接口风格统一:现在可以使用 aiTap(prompt, opt) 这种更简洁直观的接口风格来进行 AI 驱动的交互操作,降低了学习成本。
-
上下文支持:aiAction 接口现在支持设置上下文,这使得 AI 能够更好地理解当前的操作环境和意图,从而做出更准确的响应。
-
深度思考接口更新:deepThink 接口也得到了更新,增强了 AI 的分析和决策能力。
调试与统计功能增强
为了方便开发者调试和分析测试过程,新版本增加了统计信息打印功能。在调试模式下,系统会自动输出各种有用的统计信息,帮助开发者快速定位问题和优化测试流程。
报告系统优化
报告系统是本版本的另一个重点改进领域:
-
可视化优化:移除了不必要的可视化逻辑,使报告更加简洁高效。
-
扩展逻辑重构:优化了扩展机制,提高了灵活性和可维护性。
-
日志输出改进:在 Node 环境下,现在使用日志文件输出替代了命令行输出,便于长期保存和分析。
其他改进
- 解决了截图权限问题,现在即使应用不允许截图,系统也能强制获取必要的屏幕信息。
- 修复了报告脚本错误,提高了稳定性。
- 优化了 CI 测试流程,确保自动化测试的可靠性。
总结
MidScene v0.14.0 通过 Android 代码迁移、AI 接口优化和报告系统改进,进一步提升了项目的实用性和开发体验。这些变化不仅增强了现有功能,也为未来的发展奠定了更好的基础。对于需要进行移动端 UI 自动化测试和智能交互开发的团队来说,这个版本值得关注和升级。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00