HarfBuzz 10.3.0版本发布:文本渲染引擎的重大性能优化
HarfBuzz是一个开源的文本渲染引擎,主要用于复杂文本布局的处理。它支持多种文字系统和书写方向,广泛应用于各种操作系统和应用程序中。作为现代排版系统的核心组件,HarfBuzz能够处理从简单的拉丁字母到复杂的阿拉伯文、印度文等各种文字系统的正确显示。
性能优化亮点
最新发布的HarfBuzz 10.3.0版本带来了显著的性能提升,特别是在字体渲染和文本处理方面:
-
AAT字体渲染性能大幅提升:LucidaGrande字体的基准测试显示,渲染时间从14.6毫秒降低到5.9毫秒,性能提升约60%。
-
OpenType排版优化:通过牺牲约1KB每字体的缓存内存,显著改善了字距调整和连字处理性能。Roboto-Regular字体的基准测试显示,渲染时间从10.3毫秒降低到9.4毫秒。
-
COLRv1彩色字体渲染加速:基准测试显示,彩色字体绘制性能从7.85毫秒提升到4.85毫秒,效率提升约38%。
重要功能改进
-
修复morx表处理问题:针对已知有问题的AALMAGHRIBI.ttf字体,不再应用其morx表中的字形替换规则。
-
语言注册表更新:更新了IANA和OpenType语言注册表,确保对最新语言标准的支持。
-
Core Text字体功能增强:现在支持非BMP(基本多文种平面)码点,扩展了对特殊字符的支持范围。
-
字形绘制算法改进:hb-draw工具使用的glyf表绘制算法现在与FreeType和Core Text保持一致,确保跨平台渲染一致性。
-
字体变体支持:Core Text和DirectWrite字体创建API现在会复制字体变体信息到创建的HarfBuzz字体中。
新增API功能
-
DirectWrite集成:
- hb_directwrite_font_create():从DirectWrite字体创建HarfBuzz字体
- hb_directwrite_font_get_dw_font():获取关联的DirectWrite字体
-
形状计划特征查询:
- hb_ot_shape_plan_get_feature_tags():获取形状计划中启用的特征标签,帮助开发者了解哪些OpenType特征被自动应用
-
表引用改进:hb_face_reference_blob() API现在支持通过hb_face_create_for_tables()创建的面,前提是该面设置了get_table_tags回调。
技术细节优化
-
trak表处理改进:现在更接近Core Text的行为,特别是:
- 正确插值表中未明确设置大小的跟踪值
- 跟踪值现在在ot-font函数返回时应用于字形前进,而不是在整形过程中应用
- 移除了用于禁用trak表应用的伪OpenType特性
-
内存管理优化:虽然增加了少量缓存内存使用(约1KB/字体),但换来了显著的性能提升。
-
构建系统改进:各种构建优化和测试加速,提高了开发效率。
总结
HarfBuzz 10.3.0版本通过一系列精心设计的优化,显著提升了文本渲染性能,特别是在处理复杂字体和排版特性时。新增的API和功能改进使开发者能够更好地控制和理解文本渲染过程,同时保持与主流平台渲染引擎的一致性。这些改进使得HarfBuzz在现代多语言文本处理领域继续保持领先地位。
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。C098
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
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
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00