Gaffer 1.5.13.0版本发布:专业节点图形编辑器迎来多项增强
关于Gaffer项目
Gaffer是一款开源的节点图形编辑器,专为视觉效果和动画制作领域设计。它采用基于节点的可视化编程方式,让艺术家和技术总监能够通过连接各种功能节点来构建复杂的图像处理流程。Gaffer在影视特效制作中有着广泛应用,特别适合处理大规模场景和复杂的渲染任务。
核心功能更新
ArnoldProcedural节点新增
本次版本最引人注目的变化是新增了ArnoldProcedural节点。这个节点允许用户创建Arnold渲染器专用的.ass程序化占位符。在大型场景制作中,这个功能可以显著提升工作效率:
- 实现场景的轻量化处理,减少内存占用
- 支持延迟加载复杂几何体
- 便于团队协作时交换场景数据
编辑器复制粘贴功能增强
Gaffer 1.5.13.0为多个编辑器引入了统一的复制粘贴功能,极大提升了批量编辑的效率:
-
AttributeEditor、LightEditor和RenderPassEditor现在支持:
- 使用Ctrl+C复制一个或多个单元格的值
- 使用Ctrl+V粘贴到目标单元格
- 与Spreadsheet单元格之间的双向数据交换
-
数据类型转换更加智能:
- 支持BoolData与IntData之间的转换
- 支持FloatData与IntData之间的转换
- 字符串数据可以自动分割为字符串数组
工作流程优化
图像处理改进
ImageReader节点现在会自动设置"filePath"元数据,这一看似小的改进实际上解决了长期存在的工作痛点:
- 用户可以轻松追踪图像来源路径
- 为后续处理流程提供可靠的路径信息
- 特别适合需要反复调试图像处理管线的场景
Cryptomatte功能增强
Cryptomatte技术的自动查找功能得到显著提升:
- 现在能更好地处理附带清单文件的图像
- 当未指定明确manifestDirectory时,会自动查找图像所在目录
- 减少了手动配置的工作量,使Cryptomatte工作流程更加顺畅
渲染器兼容性修复
Cycles渲染器
修复了批量渲染中的灯光链接问题,确保:
- 复杂灯光设置能在批量渲染中正确应用
- 多灯光场景的渲染结果与交互预览一致
RenderMan渲染器
本次更新解决了两个关键问题:
- 批量渲染中的灯光链接功能
- 属性处理更加规范:
- 正确处理render:{name}类属性
- 支持从USD文件加载的primvar:{name}属性
- PxrAttribute着色器现在能更灵活地访问这些属性
稳定性提升
Alembic格式支持
修复了因无效UV数据导致的崩溃问题,使:
- 复杂Alembic文件的导入更加稳定
- 不良数据不会导致整个工作流程中断
多语言环境兼容
虽然实际影响有限,但本次更新还是修复了JSON解析中潜在的语言环境相关问题,体现了开发团队对细节的关注。
开发者相关更新
API增强
PlugAlgo模块新增功能:
- 支持StringPlug与StringVectorData之间的值设置
- 新增setValueOrInsertKeyFromData方法
PathListingWidget新增visualOrder()功能,为界面定制提供更多可能性。
底层依赖更新
Cortex库升级至10.5.14.0版本,带来底层性能和安全性的提升。
总结
Gaffer 1.5.13.0版本虽然是一个小版本更新,但在工作流程优化和稳定性方面做出了显著改进。新增的ArnoldProcedural节点和跨编辑器复制粘贴功能将直接提升特效艺术家的工作效率,而渲染器兼容性修复则确保了复杂项目的可靠执行。这些改进共同巩固了Gaffer作为专业级视觉效果制作工具的地位。
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