Livebook v0.16.0 发布:团队协作正式版与Python实验性支持
Livebook 是一个交互式的代码笔记本工具,专为 Elixir 生态设计,支持实时协作、数据可视化和文档编写。它采用 Web 技术构建,既可以通过浏览器访问,也提供桌面应用程序。Livebook 特别适合数据探索、教学演示和团队协作场景,其独特的"笔记本"概念让代码、文档和可视化结果可以完美结合。
本次发布的 v0.16.0 版本带来了两个重要更新:Livebook Teams 功能结束测试阶段成为正式版本,以及实验性的 Python 代码执行支持。这两个特性分别针对团队协作和语言生态扩展,标志着 Livebook 正在向更广泛的应用场景迈进。
Livebook Teams 正式发布
Livebook Teams 是专为团队协作设计的扩展功能,在此版本中正式结束测试阶段。该功能提供了企业级的安全控制和协作能力,特别适合需要多人协作开发数据分析和机器学习项目的团队。
新版本增强了身份认证方面的能力,支持基于 OIDC 的组授权机制。这意味着企业可以更方便地集成现有的身份管理系统,根据组织架构自动分配权限。团队管理员现在能够更精细地控制不同组别成员的访问权限,实现更安全的协作环境。
实验性 Python 支持
v0.16.0 引入了实验性的 Python 代码执行能力,这是 Livebook 向多语言支持迈出的重要一步。虽然目前功能尚未完全成熟,但已经可以执行基本的 Python 代码,为数据科学和机器学习工作流提供了更多可能性。
Python 集成采用了与 Elixir 类似的内核架构,保持了 Livebook 一贯的交互式体验。用户现在可以在同一个笔记本中混合使用 Elixir 和 Python 代码,利用两种语言各自的优势。开发团队表示将继续完善这一功能,包括改进错误处理、增加库支持和优化性能等方面。
用户体验改进
本次更新包含多项用户体验优化。新增了代码单元格行折行切换快捷键,让长代码行的查看更加方便。对于 JavaScript 输出的加载过程进行了优化,现在长时间加载或失败的情况会有更友好的提示。
在 AWS 执行环境方面,新增了自动集群支持,简化了分布式计算场景的配置。Docker 镜像和桌面应用也同步更新至 Elixir 1.18.3 和 Erlang 27.3.3,确保用户获得最新的语言特性支持。
实用功能增强
学习资源方面新增了 GitHub 应用开发示例笔记本,帮助开发者快速上手相关集成开发。对于桌面应用用户,修复了 macOS 和 Windows 平台上 livebook:// 协议 URL 的处理问题,提升了外部链接的打开体验。
输出显示方面修复了应用输出中边框缺失的问题,使界面更加统一美观。还解决了某些特定 IO 请求导致的崩溃问题,提高了系统的稳定性。
总体而言,v0.16.0 版本标志着 Livebook 在团队协作和多语言支持方面的重要进展,同时持续优化核心体验,为数据科学和工程团队提供了更强大的工具选择。
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