Enso 2025.1.1-rc6 版本发布:数据流编程语言的重大更新
Enso 是一款创新的数据流编程语言和集成开发环境,它通过可视化的方式简化了数据处理和分析的复杂性。Enso 独特地将函数式编程范式与可视化编程相结合,使得数据科学家、分析师和开发者能够更直观地构建数据处理管道。2025.1.1-rc6 版本作为 Enso 的一个重要预发布版本,带来了多项功能增强和问题修复,进一步提升了用户体验和系统稳定性。
核心功能更新
可视化编程环境改进
Enso IDE 在此版本中对组件浏览器进行了全面重构,现在以分组列表的形式展示组件,并增加了组件文档的简短摘要显示。对于特定类型,组件浏览器还会显示专门的"建议"组,大大提升了组件查找和使用的效率。
编辑器交互方面,输出端口的"添加组件"按钮被重新设计为小型按钮,从输出端口突出显示,使界面更加简洁。同时,当端口已有连接时,该按钮会自动隐藏以避免视觉干扰。节点选择逻辑也得到优化,删除节点或连接后不再意外选中其他节点。
表格编辑器与数据可视化增强
表格编辑器组件获得了多项实用改进:点击表头即可开始编辑,Tab 和 Enter 键分别用于跳转到下一个单元格或下一行,大幅提升了数据编辑效率。对于大型数据集,表格可视化现在采用服务器端过滤和排序,实现了懒加载机制,显著提升了性能表现。
文档编辑功能升级
文档面板现在支持完整的 Markdown 功能,包括编号列表、嵌套列表的渲染,以及通过按钮快速设置文本为粗体或斜体。新增的"插入链接"按钮简化了文档中超链接的添加过程。这些改进使得在 Enso 中编写项目文档变得更加便捷。
语言与运行时优化
类型系统增强
Enso 语言在此版本中引入了对交集类型的全面支持,包括对称、传递和自反的相等性检查。当调度 Any 实例方法时,现在会保持交集类型的 self 引用,提高了类型系统的严谨性。
错误处理与语法改进
匿名数据收集机制现在能够捕获更详细的错误信息,帮助开发者更好地诊断问题。语法方面,构造器或类型定义中的单行内联参数定义不再允许使用无括号的空格分隔,这一变更使得语法更加规范明确。
标准库扩展
数据库连接增强
标准库新增了对通用 JDBC 连接的支持,允许通过外部驱动程序连接各种数据库。Snowflake 连接器现在支持密钥对认证,提高了安全性。Postgres、SQLite、Snowflake 和 SQLServer 都新增了 offset 和 add_group_number 方法,增强了数据分页处理能力。
数据处理功能
新增的 Table.generate_rows 方法提供了灵活的数据生成能力。正则表达式支持被扩展到过滤操作和列操作中,包括新增的 regex_match 方法。数值处理方面,所有 round 方法现在使用 Rounding_Mode 替代了原来的 use_bankers 标志,提供了更精确的舍入控制。
用户体验优化
文件管理改进
云文件浏览器现在支持在写入组件中创建新目录和重命名现有目录,当尝试覆盖现有文件时会显示警告。首次打开项目时,浏览器会自动显示并高亮当前设置的文件,提高了工作流的连贯性。
交互细节完善
多行文本字面量的编辑功能终于得到支持,满足了用户长期以来的需求。颜色选择器针对选中节点进行了优化,工具提示会在点击按钮时自动隐藏,这些细节改进共同提升了日常使用的流畅度。
总结
Enso 2025.1.1-rc6 版本通过一系列精心设计的改进,在可视化编程体验、语言表达能力、数据处理功能和用户交互细节等方面都取得了显著进步。这些更新不仅解决了已知问题,还引入了多项创新功能,为数据科学家和分析师提供了更强大、更易用的工具。随着 Enso 持续迭代,它正在成为连接数据分析和软件开发的有力桥梁。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00