Qiskit 1.4.0版本发布:量子计算框架的重要更新
量子计算作为前沿计算技术,正在快速发展。Qiskit是IBM开发的开源量子计算框架,为研究人员和开发者提供了构建、分析和运行量子程序的工具。本次发布的1.4.0版本带来了多项重要改进和优化,特别是在API清理、性能提升和错误修复方面。
主要变更概述
1.4.0版本继续推进Qiskit框架的现代化进程,移除了多个过时的API,同时引入了新的功能增强。值得注意的是,这个版本对后端接口进行了进一步的统一,简化了量子电路处理流程,并优化了多个核心组件的性能。
废弃功能与API清理
本次版本中,开发团队对多个即将移除的功能发出了明确的废弃警告:
-
后端接口统一:废弃了BackendV1相关的多个组件,包括BackendProperties和BackendV2Converter,这是向更现代化的后端接口过渡的重要一步。
-
电路构建优化:废弃了Register和Bit类的子类化能力,简化了量子位和寄存器的管理方式。
-
可视化调整:将show_idle和show_barrier参数统一为idle_wires和plot_barriers,使API命名更加一致。
-
电路转换工具:移除了NormalizeRXAngle和rzx_templates等过时的电路转换工具。
这些变更反映了Qiskit框架向更简洁、更一致的API设计方向发展的趋势,开发者应尽快更新代码以适应这些变化。
核心功能改进
-
电路调度增强:新增了计算调度电路预估持续时间的方法,这对于量子程序性能分析和优化具有重要意义。
-
参数处理优化:修复了assign_parameters方法中标准门缓存的问题,提高了参数化电路的构建效率。
-
控制流支持:改进了.decompose方法对控制流的处理能力,增强了复杂量子算法的表达能力。
-
全局相位管理:修复了移除具有全局相位差异的等效门时的相位跟踪问题。
关键错误修复
-
矩阵处理:对病态矩阵应用了轻微扰动处理,提高了数值稳定性。
-
路由算法:修正了Sabre路由算法在处理不连续后端时的排列跟踪问题。
-
延时操作:在Delay比较中考虑了时间单位,确保时序分析的准确性。
-
泡利旋转:修复了CommutationChecker对双量子位泡利旋转的处理错误。
-
随机克利福德门:修正了random_clifford函数的实现问题。
-
酉合成:解决了当目标包含全局门时UnitarySynthesis传递的问题。
性能优化
-
缓存策略:在CommutationChecker中采用了更保守的缓存策略,平衡了内存使用和计算效率。
-
控制门处理:优化了add_control方法,不再展开基础门集中的门。
-
稀疏泡利算符:修正了使用密集Y标签初始化SparsePauliOp的问题。
开发者建议
对于现有项目,建议开发者:
-
检查代码中是否使用了已废弃的API,并按照警告信息进行更新。
-
特别注意后端接口的变化,及时迁移到新的Target系统。
-
利用新增的电路调度分析工具优化量子程序性能。
-
测试控制流和参数化电路的相关修改是否影响现有功能。
Qiskit 1.4.0的这些改进使框架更加稳定和高效,为构建复杂的量子算法提供了更好的基础。随着量子计算技术的成熟,Qiskit团队持续优化框架设计,帮助开发者更高效地探索量子计算的潜力。
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