Scalafmt v3.9.8 发布:优化多态函数处理与构建改进
Scalafmt 是一个流行的 Scala 代码格式化工具,它能够自动将 Scala 代码按照预定义的风格规范进行格式化,帮助开发者保持代码风格的一致性。作为 Scala 生态系统中不可或缺的工具之一,Scalafmt 通过灵活的配置选项和强大的格式化能力,大大提升了团队协作效率和代码可读性。
多态函数处理优化
本次 v3.9.8 版本的核心改进集中在多态函数的处理上。开发团队对格式化器进行了多项优化,使其能够更准确地处理多态函数,就像处理常规函数或上下文函数一样。
在技术实现上,团队首先将 FunctionTerm 扩展为 Member.Function,这一改动使得格式化器能够更全面地捕获函数的各种形态。随后,FormatWriter 组件从使用 AlignContainer 改为 Tree.Block,这种底层数据结构的调整提升了格式化过程中的代码块处理能力。
特别值得注意的是,新版本改进了在花括号 { 和箭头 => 符号后多态函数的处理逻辑。这些符号在 Scala 中常用于定义函数体或匿名函数,优化后的格式化器能够更智能地识别这些上下文中的多态函数,确保格式化结果既符合风格规范又保持了代码的语义完整性。
测试与基础设施改进
在测试方面,开发团队对 DynamicSuite 进行了多项增强。他们放松了下载过滤器,确保测试用例能够覆盖更广泛的场景。同时改进了异常处理机制,现在能够捕获任何 Throwable 而不仅仅是特定类型的异常,这使得错误报告更加全面。
团队还重构了 CustomStructureTest 和 EmptyFileTest 等测试类,通过使用 fixture 模式替代共享状态,提高了测试的隔离性和可靠性。GitOpsTest 和 FileOpsTest 也经过了类似的重构,将部分方法移至伴生对象中,使测试结构更加清晰。
构建与依赖更新
在构建系统方面,本次更新有几个值得注意的变化:
- 将 Docusaurus 文档发布流程从主 CI 流程中分离出来,提高了构建效率
- 将 Scala 元数据解析库 Scalameta 升级至 v4.13.8 版本
- 在 GitHub Actions 中使用更新的 Windows-2025 运行器
- 将 JLine 控制台库更新至 3.30.4 版本
这些依赖更新不仅带来了性能改进和 bug 修复,还确保了工具链与最新技术的兼容性。
跨平台支持
Scalafmt 继续提供全面的跨平台支持,v3.9.8 版本为各种平台提供了预编译的二进制文件:
- 苹果 Silicon 芯片的 macOS (aarch64-apple-darwin)
- ARM 架构的 Linux 系统 (aarch64-pc-linux)
- 传统的 x86_64 架构 Linux 系统
- 使用 glibc 和 musl 两种 C 标准库的 Linux 变体
- 英特尔处理器的 macOS (x86_64-apple-darwin)
- Windows 32 位系统 (x86_64-pc-win32)
这种广泛的平台覆盖确保了开发者无论使用何种开发环境,都能获得一致的格式化体验。
总结
Scalafmt v3.9.8 虽然是一个小版本更新,但在多态函数处理、测试可靠性和构建系统现代化方面都做出了有价值的改进。这些变化虽然对终端用户来说可能不太明显,但它们共同提升了工具的稳定性和格式化质量,为开发者提供了更加顺畅的代码格式化体验。
对于已经使用 Scalafmt 的团队,建议升级到这个版本以获得更准确的多态函数处理能力;对于新用户,这个版本也是一个稳定可靠的起点。随着 Scala 语言特性的不断丰富,Scalafmt 团队持续优化其对各种语言结构的支持,帮助开发者专注于业务逻辑而非代码风格问题。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00