Project Graph 1.4.29版本发布:涂鸦交互优化与逻辑节点增强
Project Graph是一款专注于节点式图形化编程的工具,它通过可视化的方式让用户能够直观地构建复杂的逻辑关系和数据处理流程。在最新发布的1.4.29版本中,开发团队对涂鸦交互方式进行了重大改进,并增强了逻辑节点的功能,为用户提供了更流畅的创作体验。
涂鸦交互方式的革新
在之前的版本中,涂鸦功能采用的是"粘连式移动"机制,用户可以通过绘制涂鸦来选择和移动节点。然而,在实际使用中发现这种机制容易造成误操作。1.4.29版本对这一功能进行了彻底重构,引入了更符合用户直觉的"扩散选择"模式。
新的交互方式是:用户首先绘制涂鸦,然后按下Ctrl+W组合键,系统会自动选中所有与涂鸦接触的节点。这种设计特别适合处理不规则排列的节点群,例如S形排列的节点组,用户只需画一条贯穿这些节点的涂鸦线,就能一次性选中它们,大大提高了复杂场景下的操作效率。
同时,开发团队还对涂鸦状态下的视觉反馈进行了优化:
- 涂鸦在绘制过程中会立即显示颜色,而不是等到鼠标松开后才显示
- 鼠标指针在涂鸦模式下会变为十字形状,明确提示当前处于涂鸦状态
- 移除了可能干扰用户操作的自动连线功能
逻辑节点功能扩展
1.4.29版本为逻辑节点系统添加了几个实用的新功能:
-
鼠标位置获取节点:新增了获取鼠标在世界坐标系下位置的逻辑节点,这使得基于鼠标位置创建交互式应用变得更加容易。
-
节点创建返回值:现在,创建节点的逻辑操作会返回新创建节点的UUID,为后续基于创建结果的进一步操作提供了可能。
-
实体检测节点:新增了判断指定位置是否存在实体的逻辑节点,为空间感知类应用开发提供了基础支持。
-
日期时间处理:加入了获取当前日期时间以及进行日期加法的逻辑节点,结合现有的节点创建功能,用户可以轻松构建日历表格等时间相关的可视化应用。
用户体验优化
除了上述主要功能更新外,1.4.29版本还包含多项细节优化:
- 删除连线时系统会自动清理产生的孤立质点,保持工作区整洁
- 移除了Ctrl+S保存时的屏幕闪黑特效,减少对用户注意力的干扰
- 修复了嵌套section框复制时连线丢失的问题
- 解决了嵌套section导出SVG时填充色覆盖内容的问题
- 修正了设置界面滑动轨道右侧数字输入框无法修改设置项的问题
这些改进虽然看似细微,但累积起来显著提升了产品的整体使用体验,体现了开发团队对产品质量的持续追求。
Project Graph 1.4.29版本通过重新设计涂鸦交互方式和扩展逻辑节点功能,为用户提供了更强大、更直观的图形化编程体验。这些更新不仅解决了之前版本中存在的一些痛点问题,还为开发更复杂的可视化应用开辟了新的可能性。随着这些改进的推出,Project Graph正逐步成长为一款更加成熟和完善的节点式编程工具。
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-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00