TinyEngine 2.5.0 版本发布:全面提升低代码开发体验
TinyEngine 是一个开源的云原生低代码开发平台,它通过可视化拖拽的方式帮助开发者快速构建 Web 应用。作为 OpenTiny 开源项目的一部分,TinyEngine 提供了从设计到部署的全流程解决方案,特别适合企业级应用的快速开发。
核心功能增强
物料系统优化
本次版本对物料系统进行了多项改进。首先,物料现在支持直接在配置中传入对象,这为开发者提供了更灵活的物料管理方式。其次,新增了物料刷新 API,使得开发者可以动态更新物料资源,而无需重启应用。这些改进显著提升了物料系统的可用性和灵活性。
对于 TinyVue 组件库,新增了 TinyTransfer 穿梭框组件,并优化了 TinyPopeditor 组件,增加了 auto-lookup 属性支持。这些组件增强使得开发者能够构建更丰富的交互界面。
多选操作支持
编辑器现在支持多节点操作,包括右键菜单和拖拽功能。开发者可以同时选中多个组件进行操作,大大提升了复杂布局的编辑效率。这一功能特别适合需要批量调整组件属性的场景。
预览体验升级
预览功能现在支持热更新,开发者修改代码后可以实时看到变化,无需手动刷新页面。同时,修复了父级页面包含区块时的预览错误问题,确保了预览效果与实际运行效果的一致性。
性能优化与稳定性提升
内存优化
针对大内存占用问题,画布 iframe 移除了 base64 编码方式,改用更高效的资源加载策略。这一改进显著降低了内存消耗,特别是在处理大型应用时效果更为明显。
错误修复与稳定性
本次版本修复了多个影响稳定性的问题,包括:
- 修复了清空画布后保存失败的 bug
- 解决了复制页面后无法切换到新页面的问题
- 修正了异步函数绑定事件时丢失 async 描述符的问题
- 优化了区块初始化逻辑,确保编辑区块能够正确生效
开发者体验改进
类型系统增强
对代码库进行了大规模的类型定义补充,包括 hooks、容器、画布操作、页面管理等多个模块。这些类型定义使得开发者在使用 TinyEngine API 时能够获得更好的类型提示和代码补全,降低了开发错误率。
配置优化
默认的 vite.config 模板现在包含了 base: './' 配置,解决了部分部署环境下的路径问题。同时优化了 CDN 本地化支持,确保在不同环境下都能正确加载资源。
AI 能力扩展
AI 功能新增了对 DeepSeek 模型的支持,扩展了代码生成的能力范围。同时优化了 AI 对话框的用户体验,不再强制要求填写 token,降低了使用门槛。
总结
TinyEngine 2.5.0 版本在功能、性能和开发者体验方面都有显著提升。物料系统的增强使得组件管理更加灵活,多选操作和预览热更新大幅提升了开发效率,而类型系统的完善则为开发者提供了更好的开发体验。这些改进使得 TinyEngine 成为一个更成熟、更易用的低代码开发平台,能够更好地满足企业级应用开发的需求。
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