OneMore 6.7.1版本更新:全面提升OneNote插件功能体验
OneMore是一款功能强大的Microsoft OneNote插件,它为OneNote用户提供了丰富的扩展功能,大大提升了笔记管理和编辑的效率。最新发布的6.7.1版本"Retied in a Ribbon"带来了多项功能增强和问题修复,进一步优化了用户体验。
核心功能增强
本次更新在URL处理方面做了显著改进,新增了"检查URL"命令,可以验证页面中所有链接的有效性。同时增加的"用地址替换URL标题"命令,能够快速将链接文本转换为实际网址,这在整理网络参考资料时特别实用。用户现在还可以通过新增的"在浏览器中打开页面/分区/笔记本"命令,直接从OneNote跳转到网页浏览。
对于表格处理,6.7.1版本新增了"选择所有表格"命令,方便用户批量操作页面中的表格元素。时间管理方面也得到加强,新增的"更新页面时间"命令可以快速调整页面时间戳,而时间跨度值的表格公式求和功能则为时间统计提供了更多便利。
导航与内容管理优化
导航器历史面板现在支持删除单个历史记录项,让用户可以更灵活地管理浏览历史。页面目录功能增加了限制标题显示深度的选项,使大型文档的导航更加清晰。特别值得一提的是,用户现在可以选择将OneMore功能分离到独立的Ribbon选项卡中,保持界面整洁。
目录覆盖功能得到增强,允许将目录覆盖在现有大纲上,而不会破坏原有内容结构。命令面板的字符搜索现在支持增量匹配,提升了命令查找效率。对于开发者,Python多行注释的语法高亮显示问题已修复,代码阅读体验更佳。
标签与样式处理改进
标签功能是本次更新的重点之一。新增的"扫描标签"命令(快捷键Ctrl+Alt+F10)可以快速扫描当前页面的标签。标签索引页现在为每个页面添加了复选框,便于多选操作。修复了逗号分隔标签识别问题,使标签系统更加可靠。
样式处理方面,修复了"应用页面样式"命令可能导致的异常问题,移除了调试钩子,确保操作流畅完成。自定义颜色现在能正确应用到水平线片段上,视觉一致性更好。此外,修复了自定义标题使用默认字体大小时的快速样式设置问题。
用户体验细节打磨
6.7.1版本在多个细节上进行了优化:移除了复制段落或页面链接后出现的气泡提示窗口,减少了操作干扰;修复了导航器标题面板中可能暴露CSS代码的问题;解决了Obsidian风格链接图片路径中不允许空格的问题;改进了"粘贴为文本"命令,确保正确保留换行格式。
内部性能方面,标签扫描器的默认节流时间从40ms缩短到20ms,响应更迅速。更新命令现在会忽略预发布版本,避免意外升级。多选图片时的调整大小行为更加准确可靠。
总结
OneMore 6.7.1版本通过新增实用功能和修复各类问题,显著提升了OneNote的使用体验。从URL处理到标签管理,从表格操作到样式应用,每个改进都体现了开发者对细节的关注和对用户需求的深入理解。无论是日常笔记整理还是复杂文档编辑,这个版本都能为用户提供更高效、更稳定的支持。
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