Snap! v10.5.0 版本发布:移动设备传感器支持与媒体处理增强
项目简介
Snap! 是一款基于浏览器的可视化编程语言和环境,源自于麻省理工学院的Scratch项目,但提供了更强大的功能和灵活性。它采用积木式编程界面,特别适合教育场景中教授编程概念。Snap! 不仅面向儿童和初学者,也为高级用户提供了丰富的扩展功能。
核心更新内容
1. 移动设备传感器支持
本次版本最引人注目的新增功能是"Mobile Device Sensors"(移动设备传感器)库,其中包含了一个名为"tilt"(倾斜)的监测器。这个功能允许开发者通过编程访问移动设备的加速度传感器数据,为创建交互式移动应用开辟了新的可能性。
技术实现上,Snap! 团队新增了"ori_tilt(xyz)"扩展块,它可以报告设备在x、y、z三个轴向上的倾斜角度。这对于开发需要物理交互的游戏和教育应用特别有价值,例如:
- 平衡球类游戏
- 物理模拟实验
- 增强现实(AR)应用原型
2. 音频处理增强
针对媒体扩展开发者,v10.5.0引入了"mda_set_mic_resolution(idx)"扩展块,允许程序化设置音频缓冲区大小。这个功能提供了四种分辨率选项:
- 256采样点
- 512采样点
- 1024采样点
- 2048采样点
值得注意的是,团队特别修复了Safari浏览器(包括Mac和移动版本)中的声音录制问题,这解决了长期困扰开发者的跨浏览器兼容性问题。
3. 图像处理改进
在图像处理方面,本次更新对两个关键功能进行了优化:
STRETCH COSTUME功能增强: 现在不仅支持调整精灵外观的大小,还能接受像素数据矩阵作为输入,并相应地输出处理后的矩阵数据。这一变化虽然主要面向教育工作者和课程开发者,但为高级用户提供了更大的灵活性。
RESHAPE功能调整: 修改了处理分数维度时的舍入策略,现在会使用向上取整(ceiling)的方式。例如,输入尺寸为2.3×4.6时,系统会自动调整为3×5。这一变化使图像处理结果更加可预测,减少了意外裁剪的可能性。
技术意义与应用前景
从技术架构角度看,v10.5.0的更新体现了Snap!项目在两个方向上的战略发展:
-
移动优先策略:通过引入设备传感器支持,Snap!正在拓展其在移动设备上的应用场景,不再局限于传统的桌面浏览器环境。
-
专业功能下沉:虽然Snap!主要面向教育市场,但通过提供音频缓冲区设置和高级图像处理能力,它正在吸引更多专业开发者的关注,成为原型开发和教育演示的有力工具。
对于教育工作者而言,新的传感器功能特别值得关注。它使得在课堂上演示物理概念(如加速度、重力等)变得更加直观,学生可以通过自己编写的程序直接与物理世界互动,这种"具身学习"体验能显著提升STEM教育的效果。
总结
Snap! v10.5.0版本通过引入移动设备传感器支持和增强媒体处理能力,进一步模糊了教育工具和专业开发环境之间的界限。这些更新不仅丰富了平台的功能集,也扩展了其在STEAM教育中的应用场景。特别是倾斜传感器的加入,为创造更具互动性的学习体验提供了新的可能性,预示着可视化编程工具向物理计算和物联网领域延伸的趋势。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00