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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00