Xcode DevCleaner 2.7.1版本发布:优化Xcode开发环境清理体验
Xcode DevCleaner是一款专为macOS开发者设计的实用工具,主要用于清理Xcode开发过程中产生的各种缓存和临时文件。这些文件虽然对开发过程有帮助,但长期积累会占用大量磁盘空间,影响系统性能。最新发布的2.7.1版本带来了一些实用的功能改进和问题修复,进一步提升了开发者的使用体验。
多项目选择功能增强
2.7.1版本最显著的改进是增加了多项目同时选择的功能。在之前的版本中,开发者只能逐个选择需要清理的项目,这在处理大量缓存文件时效率较低。新版本允许用户通过按住Command键或Shift键进行多选,或者直接拖动鼠标框选多个项目,大大提升了批量清理操作的便捷性。
这一改进特别适合以下场景:
- 当需要一次性清理多个模拟器设备缓存时
- 批量删除不同版本的文档缓存
- 同时清理多个项目的DerivedData数据
文档缓存问题的修复
针对使用较新版本Xcode的开发者,2.7.1版本修复了一个可能导致文档缓存无法找到的问题。Xcode在更新过程中可能会改变其文档缓存存储的位置或结构,导致清理工具无法正确定位这些文件。这个修复确保了无论使用哪个版本的Xcode,开发者都能有效地清理不再需要的文档缓存,释放宝贵的磁盘空间。
文档缓存通常包括:
- API文档
- 代码补全数据
- 帮助系统文件 这些文件虽然对开发有帮助,但随着Xcode版本更新和项目迭代,很多旧版本的文档缓存实际上已经不再需要。
设备支持列表更新
随着Apple不断推出新的硬件设备,Xcode DevCleaner 2.7.1版本也同步更新了设备支持列表,添加了对最新设备型号的支持。这意味着开发者可以:
- 清理不再需要的老旧设备支持文件
- 确保新设备的支持文件能够被正确识别
- 更精确地管理不同iOS版本的设备支持文件
设备支持文件是Xcode用来支持不同iOS设备调试和运行的必要组件,但随着设备更新和iOS版本迭代,很多旧版本的支持文件实际上已经不再需要,却可能占用数百MB甚至数GB的磁盘空间。
系统兼容性说明
Xcode DevCleaner 2.7.1版本明确支持macOS 13 Sonoma及更高版本。对于仍在使用较旧macOS系统的开发者,项目维护者建议下载之前的版本以获得兼容性支持。这种版本策略既保证了新系统用户能获得最佳体验,又照顾了老系统用户的持续使用需求。
总结
Xcode DevCleaner 2.7.1版本通过多项实用改进,进一步巩固了其作为Xcode开发环境清理利器的地位。多项目选择功能的加入提升了操作效率,文档缓存问题的修复增强了工具稳定性,而设备支持列表的更新则确保了工具的时效性。对于任何使用Xcode进行开发的macOS用户来说,定期使用这款工具进行清理,可以有效保持开发环境的整洁和系统性能的优化。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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