Bevy_egui v0.35.0 发布:Bevy UI 框架的重大升级
项目简介
Bevy_egui 是一个将流行的即时模式 GUI 库 egui 集成到 Bevy 游戏引擎中的插件。它为 Bevy 开发者提供了轻量级、高性能的 UI 解决方案,特别适合游戏开发中的各种界面需求。最新发布的 v0.35.0 版本带来了多项重要改进和新功能,标志着该项目在成熟度和功能丰富度上又迈出了重要一步。
核心更新内容
1. Bevy 拾取系统集成
本次更新最引人注目的新功能是实现了对 Bevy 拾取系统的支持。这意味着开发者现在可以创建"diegetic UI"——即存在于游戏世界中的 UI 元素,而不仅仅是屏幕空间的 2D 界面。
这项功能通过更新后的 render_egui_to_image 示例得到了充分展示。开发者可以将 egui 渲染到纹理上,然后将这些纹理应用到 3D 模型上,创造出更加沉浸式的游戏界面体验。例如,你可以制作一个游戏中的平板电脑设备,玩家可以与之交互,而所有交互都是通过 egui 实现的。
2. 架构改进
多通道渲染成为默认选项
v0.35.0 版本中,多通道渲染模式(multi-pass)已成为默认且唯一推荐的方式。虽然这带来了一个破坏性变更——插件现在必须通过 EguiPlugin::default() 初始化,但这一改变为项目带来了更好的稳定性和性能基础。
相机关联的 UI 上下文
另一个重要的架构改进是将 EguiContext 实例与相机关联。这意味着:
- UI 渲染现在需要至少一个相机存在于世界中
- 系统会自动将 egui 附加到第一个创建的相机上
- 开发者可以通过新的
side_panel示例学习如何更精确地控制这一行为
这一改变使得多窗口场景下的 UI 管理更加直观,也为未来的功能扩展打下了基础。
3. 错误处理改进
EguiContexts 系统进行了重构以支持 Bevy 的结果系统(Result systems)。这意味着:
- 使用
EguiContexts的系统现在应该转换为结果系统 - 错误处理更加统一和符合 Bevy 的最新实践
- 开发者可以更优雅地处理 UI 相关的错误情况
性能优化
本次更新包含了几项重要的性能优化:
-
光标图标更新优化:现在系统只会在光标图标实际发生变化时进行更新,同时这一功能也可以被禁用,减少了不必要的开销。
-
移动端虚拟键盘支持:当文本输入获得焦点时,系统会自动显示虚拟键盘,提升了移动设备上的用户体验。
问题修复
v0.35.0 修复了几个关键问题:
- 修复了关闭窗口时可能发生的 panic 问题
- 改进了移动设备上的输入处理
- 移除了
image依赖的默认特性,减少了不必要的依赖
新增示例
为了帮助开发者更好地理解和使用新功能,项目新增了两个示例:
- Split Screen 示例:展示了如何在分屏场景中管理多个 UI 上下文
- 更新后的 Render to Image 示例:演示了新的拾取系统集成功能
升级建议
对于现有项目,升级到 v0.35.0 需要注意以下几点:
- 将插件初始化方式改为
EguiPlugin::default() - 确保场景中至少有一个相机
- 考虑将使用
EguiContexts的系统转换为结果系统 - 检查多窗口场景下的 UI 行为,可能需要调整相机关联逻辑
未来展望
从本次更新可以看出,bevy_egui 正在向更加稳定、功能丰富的方向发展。移除单通道支持的决定表明项目维护者对代码质量的重视,而与 Bevy 拾取系统的集成为游戏 UI 开发开辟了新的可能性。开发者可以期待在未来版本中看到更多与 Bevy 生态系统的深度集成和性能优化。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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
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