Blink.cmp v0.13.0 发布:纯 Lua 模式与多项优化
Blink.cmp 是一款基于 Neovim 的高性能补全插件,它通过 Rust 和 Lua 的混合实现提供了流畅的代码补全体验。最新发布的 v0.13.0 版本带来了多项重要改进,包括纯 Lua 模式支持、性能优化以及用户体验提升。
纯 Lua 模式支持
v0.13.0 版本最引人注目的特性是新增了纯 Lua 实现模式。这一特性允许用户在不需要 Rust 依赖的情况下使用 Blink.cmp,当 Rust 实现不可用时,插件会自动回退到 Lua 实现并发出警告。这种设计既保留了 Rust 实现的高性能优势,又提高了插件的兼容性和易用性。
纯 Lua 模式特别适合以下场景:
- 在不支持 Rust 的环境中部署
- 需要快速测试或评估插件功能
- 对性能要求不高但需要稳定性的场景
命令行补全行为优化
新版本对命令行补全的默认行为进行了调整,使其更符合 Neovim 内置命令行补全的预期。具体改进包括:
- 默认启用了与 noice.nvim 兼容的幽灵文本功能
- 优化了补全菜单的显示逻辑
- 改进了补全项的选择行为
这些改进使得命令行补全体验更加自然流畅,减少了用户需要手动配置的工作量。
性能优化与兼容性提升
v0.13.0 版本在多方面进行了性能优化:
-
多 LSP 性能优化:解决了当同时使用多个 LSP(特别是 tailwind 和 emmet)时补全速度变慢的问题。通过引入 LSP isIncomplete 缓存机制,显著提升了多语言服务器协同工作时的响应速度。
-
预构建二进制文件兼容性:现在预构建的二进制文件可以支持更老的系统,最低可兼容到 Ubuntu 14.04。这通过以下技术实现:
- 设置 glibc 最低版本为 2.21
- 使用 zig 工具链构建 glibc 2.27 版本
-
加载指示器:当获取补全内容耗时较长时,现在会显示加载指示器,改善了用户体验。
开发者体验改进
新版本为插件开发者提供了更多便利:
-
源开发支持:现在源可以定义 kind_icon、kind_hl 和 kind_name,为补全项提供更丰富的元数据。同时新增了编写自定义源的指南文档,降低了开发门槛。
-
API 扩展:新增了 get_selected_item_idx 和 get_items API,使开发者能够更灵活地获取当前选中的补全项和所有补全项信息。
-
幽灵文本配置:增加了 show_with_menu 和 show_without_menu 配置项,提供了对幽灵文本显示行为的更精细控制。
其他重要改进
- 跨平台支持:新增了对 Android 平台的支持,扩展了插件的使用场景。
- 文档优化:解决了文档生成过程中的问题,提高了文档质量。
- bug修复:修复了包括补全项缓存、命令行参数处理、插入文本编辑等多个问题。
总结
Blink.cmp v0.13.0 通过引入纯 Lua 模式、优化多 LSP 性能、改进命令行补全行为等多项改进,进一步提升了插件的稳定性、兼容性和用户体验。对于开发者而言,新增的 API 和源开发支持使得扩展插件功能更加便捷。这些改进使得 Blink.cmp 成为 Neovim 生态中更加强大和易用的代码补全解决方案。
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-1.5暂无简介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-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