DivKit 32.0.0版本发布:跨平台UI框架的重大更新
DivKit是一个由Yandex开源的跨平台UI框架,它允许开发者使用声明式的JSON格式来构建动态用户界面。该框架支持Android、iOS和Web三大平台,通过统一的JSON模板在不同平台上渲染出相同的UI效果,大大提高了开发效率和一致性。本次发布的32.0.0版本带来了多项重要改进和功能增强,下面我们将详细介绍这些更新内容。
跨平台统一性增强
变量表达式支持
本次更新中,最显著的突破性变化是对变量初始值表达式的支持。现在,开发者可以在变量的value字段中使用表达式,该表达式的结果将作为变量的初始值。这一改进使得变量的初始化更加灵活和强大。
例如,现在可以这样定义一个变量:
{
"variables": {
"screen_width": {
"name": "screen_width",
"value": "@{device(pixel_width)}"
}
}
}
这个特性在所有三个平台(Android、iOS和Web)上都得到了支持,确保了跨平台行为的一致性。
布尔变量类型改进
Web平台上的布尔变量现在真正存储布尔值(true/false),而不是之前的数字0/1表示。这一变化使得变量类型更加语义化,订阅这些变量的回调函数现在将接收到正确的布尔类型值。
Android平台改进
SVG本地文件支持
Android客户端现在增加了加载本地SVG文件的能力,这为开发者提供了更丰富的图形展示选项。SVG作为矢量图形格式,可以无损缩放,特别适合需要适配多种屏幕尺寸的场景。
输入控件行为优化
- 光标位置保留:修复了输入控件在重新绑定时光标位置被重置的问题,提升了用户体验。
- 键盘关闭逻辑:现在当用户点击输入框外部区域时,键盘会自动关闭,这是符合用户预期的行为。
- 多行输入支持:为多行输入控件添加了对
enter_key_actions的支持,允许开发者定义回车键的特定行为。
iOS平台改进
交互体验优化
- 画廊/分页器抖动修复:修正了画廊(gallery)和分页器(pager)组件在滚动时可能出现的抖动问题,使滑动更加平滑。
- 焦点事件处理:修复了通过编程方式调用输入框焦点时错误触发
onFocus动作的问题。 - 动态键盘返回键类型:现在可以动态更新
return_key_type属性,根据上下文调整键盘返回键的显示文本(如"搜索"、"完成"等)。
URL处理增强
- 特殊字符自动处理:包含特殊字符的URL现在会被自动正确处理,开发者不再需要手动编码。
- 颜色变量支持:在div-action的URL中现在可以使用"#"符号来设置颜色变量,提供了更灵活的样式控制。
Web平台改进
分页器组件重大改进
- 无限滚动支持:新增了
infinite_scroll属性,允许创建无限循环的分页效果。 - 鼠标拖动支持:现在用户可以使用鼠标拖动来滚动分页器,这一行为可以通过
pagerMouseDragEnabled配置属性禁用。 - 滚动逻辑重构:完全重构了分页器的滚动逻辑和行为,提供了更流畅的用户体验。
- 百分比尺寸修复:修正了使用百分比标记的页面尺寸计算不正确的问题。
输入组件行为调整
输入组件的focus样式现在会应用于所有焦点事件,无论是否由键盘触发。这一变化使得焦点状态的视觉反馈更加一致。
表达式执行顺序修正
修复了动作数组中多个表达式的执行顺序问题,现在同一数组中的多个动作会按照预期顺序执行。
Kotlin JSON构建器增强
为模板构造函数添加了基于模板卡片的名称构建器,这使得在Kotlin代码中动态构建DivKit模板更加方便和直观。开发者现在可以更灵活地创建和管理复杂的UI模板结构。
总结
DivKit 32.0.0版本带来了许多重要的改进和新特性,特别是在变量表达式支持、各平台行为一致性以及组件交互体验方面。这些更新不仅增强了框架的功能性,也提高了开发效率和最终用户体验。对于正在使用或考虑采用DivKit的团队来说,这个版本值得重点关注和升级。
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-1.5暂无简介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