Spectrum CSS Tag组件重大更新解析
Spectrum CSS是Adobe开源的一套符合Spectrum设计系统的CSS框架,它为开发者提供了构建一致用户体验的基础样式组件。Tag(标签)组件作为系统中常用的交互元素,在最新版本中迎来了重大设计更新。
设计规范全面升级
本次Tag组件更新主要基于Spectrum 2设计规范,对视觉样式和交互行为进行了全面重构。最显著的变化是移除了无效状态(invalid variant)的独立样式,改为通过Tag Group容器中的辅助文本来展示错误信息。
边框样式现在在高对比度模式下保持可见,其他情况下则呈现透明状态,这一调整使组件在不同环境下都能保持良好的可访问性。新增的缩略图(thumbnail)选项为标签提供了更丰富的视觉表现形式。
尺寸与布局优化
标签现在设置了最大内联尺寸(max-inline-size),并引入了最小内联尺寸(min-inline-size)参数,确保在各种内容长度下都能保持一致的视觉效果。默认尺寸从常规调整为小号(small),更符合现代UI设计趋势。
对于包含清除按钮的标签,其可点击区域已扩大至符合无障碍标准的大小,提升了交互体验。特别值得注意的是,强调标签(emphasized tags)现在仅在选中状态下才会显示强调色,这一变化使界面视觉层次更加清晰。
样式变量重构
本次更新对CSS自定义属性(CSS变量)进行了大规模重构:
- 合并了多个间距变量,如将头像和图标的内联结束间距统一为"--mod-tag-visual-spacing-inline-end"
- 简化了标签文本间距管理,使用统一的"--mod-tag-label-spacing-inline"变量
- 新增了缩略图尺寸、清除按钮尺寸等视觉控制变量
- 移除了与无效状态相关的所有颜色变量
新增功能支持
新版本引入了对只读标签的支持,开发者现在可以更灵活地控制标签的交互状态。同时,标签内容现在支持CJK(中日韩)文字的特殊行高设置,确保在多语言环境下都能保持良好的可读性。
技术实现细节
在底层实现上,组件现在使用Spectrum 2的设计令牌(tokens)系统,这为未来的主题定制和样式扩展提供了更灵活的基础。清除按钮的穿透样式(passthroughs)也已更新,与最新设计规范保持一致。
对于开发者而言,这些变化意味着需要检查现有实现中是否使用了已被移除的CSS变量,并相应调整为新变量。特别是那些依赖无效状态样式的应用,需要改为通过标签组容器来展示错误信息。
这次更新体现了Spectrum设计系统向更简洁、更一致、更可访问方向发展的趋势,同时也为开发者提供了更强大的样式定制能力。
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