Orbit-MVI 10.0.0 发布:全面拥抱 Kotlin 多平台开发
Orbit-MVI 是一个基于 Kotlin 的现代化 MVI(Model-View-Intent)架构框架,它通过响应式编程和单向数据流的设计理念,帮助开发者构建可维护、可测试的应用程序。在最新发布的 10.0.0 版本中,Orbit-MVI 实现了对 Kotlin 多平台(KMP)的全面支持,为跨平台开发带来了全新的可能性。
多平台支持成为核心特性
10.0.0 版本最显著的改进是全面支持 Kotlin Multiplatform 的所有目标平台。这意味着开发者现在可以在 iOS、Android、Web、桌面等多个平台上共享业务逻辑代码,同时保持各平台原生 UI 的优势。这一变化使 Orbit-MVI 成为跨平台开发的强大工具。
ViewModel 与 Compose 多平台支持
新版本特别强化了对 ViewModel 和 Compose 多平台的支持:
-
ViewModel 多平台:现在可以在共享代码中直接使用 ViewModel,而不必担心平台差异。这为状态管理提供了统一的解决方案。
-
Compose 多平台:新增的 Compose 多平台支持允许开发者在不同平台上使用相同的声明式 UI 代码。框架还提供了一个全新的 Compose 多平台示例应用,帮助开发者快速上手。
测试功能增强
测试方面有两个重要改进:
-
自动初始状态检查:测试时框架会自动验证初始状态,不再需要手动调用
expectInitialState()。如果需要自定义行为,可以通过TestSettings.autoCheckInitialState进行配置。 -
expectStateOn 方法:新增的这个方法特别适合测试密封类(sealed class)表示的状态,使状态断言更加直观和类型安全。
API 变更与优化
核心模块变更
blockingIntent 现在改为扩展函数,这一变化虽然带来了轻微的 API 破坏性变更,但使 API 设计更加一致和 Kotlin 友好。
Compose 模块清理
移除了 ContainerHostExtensionsKt 中已弃用的 collectState 函数,简化了 API 表面。
ViewModel 模块增强
新增了对 kotlinx 序列化的支持,使得通过 SavedStateHandle 保存和恢复状态变得更加方便和安全。
技术实现亮点
-
移除了 AtomicFu 依赖:改用 Kotlin 标准库的实现,减少了外部依赖,提高了框架的稳定性。
-
测试包装改进:确保
runTest正确包装测试,提供更可靠的测试环境。 -
性能优化:移除了
RealContainer中的runBlocking调用,提升了协程使用的效率。
开发者体验提升
新版本提供了丰富的示例代码,特别是新增的 Compose 多平台示例应用,展示了如何在实践中使用这些新特性。例如,示例中包含了 Compose TextField 状态提升的典型用法,帮助开发者理解如何在 MVI 架构中处理用户输入。
Orbit-MVI 10.0.0 的这些改进标志着框架向多平台开发迈出了重要一步,为 Kotlin 全栈开发者提供了更强大的工具集。无论是构建跨平台应用,还是需要在不同平台上共享业务逻辑,新版本都能提供优雅的解决方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C036
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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