FluentUI Blazor 中 SelectColumn 组件的单选模式增强
在 FluentUI Blazor 组件库中,SelectColumn 组件是数据表格中用于行选择的重要功能组件。最近社区贡献者为该组件提出了一个非常有价值的增强功能,使得在单选模式下能够保持选中状态不被取消。
当前单选模式的行为
在现有的 FluentUI Blazor 实现中,当 SelectColumn 设置为 Single 选择模式时,用户点击已选中的行会导致该行被取消选中。这种行为在某些业务场景下可能不符合预期,特别是当用户需要确保始终有一个选项被选中时。
功能增强方案
社区贡献者提出了两种实现方案:
-
参数控制方案:通过新增 AllowSingleModeDeselect 布尔参数来控制是否允许在单选模式下取消选中,默认值为 true 以保持向后兼容。
-
新增模式方案:添加一个新的选择模式 SingleSticky,专门用于实现"粘性"单选行为,即选中后不能通过点击取消。
经过项目维护团队的讨论,最终选择了第二种方案,认为新增一个明确的模式比添加参数更为清晰和易于理解。
技术实现细节
实现这一功能的核心修改位于处理选择逻辑的 AddOrRemoveSelectedItemAsync 方法中。对于 SingleSticky 模式,当检测到用户点击已选中的项目时,直接返回而不执行取消选中操作。
if (SelectMode == DataGridSelectMode.SingleSticky &&
_selectedItems.Count == 1 &&
_selectedItems.Contains(item))
{
return; // 不执行取消选中操作
}
使用示例
开发者现在可以通过简单设置 SelectMode 属性来使用这一新功能:
<SelectColumn TGridItem="Product"
SelectMode="@DataGridSelectMode.SingleSticky"
SelectFromEntireRow="true" />
测试保障
为确保新功能的稳定性,所有原有的单选模式测试用例都被复制并适配到新的 SingleSticky 模式中,保证了功能的一致性和可靠性。
总结
这一增强为 FluentUI Blazor 的数据表格选择功能提供了更灵活的控制方式,特别适合那些需要确保始终有选项被选中的业务场景。通过新增明确的 SingleSticky 模式而非参数控制,API 设计保持了简洁性和一致性,体现了 FluentUI 团队对组件设计质量的重视。
对于开发者而言,这一改进意味着可以更轻松地实现常见的业务需求,而无需自行处理选择状态的维护逻辑,进一步提升了开发效率和代码质量。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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-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