Enso 2025.1.1 版本发布:可视化编程与数据分析的革新
Enso 是一款创新的可视化编程语言和集成开发环境(IDE),专为数据分析和科学计算而设计。它通过直观的图形界面,将复杂的编程概念转化为可视化的节点和连接,大大降低了编程门槛,同时保持了强大的计算能力。Enso 不仅支持传统的数据处理任务,还提供了丰富的可视化工具和数据库连接功能,使其成为数据科学家和分析师的有力助手。
核心功能更新
1. 增强的可视化编程体验
最新版本的 Enso IDE 对用户界面进行了多项优化,显著提升了编程体验。组件浏览器现在以分组形式展示功能模块,并支持显示组件文档摘要,帮助开发者快速理解和使用各种功能。对于特定数据类型,系统还会智能推荐相关组件,进一步简化开发流程。
在节点编辑方面,数值和文本节点的输入变得更加智能。当用户输入纯数字时,系统会自动优化匹配逻辑,避免不相关的组件建议。同时,未闭合的文本字面量现在会自动补全,减少了语法错误的发生。
2. 文档编辑功能增强
文档面板获得了多项新功能,支持更丰富的文档编写体验。现在用户可以:
- 创建编号列表和嵌套列表
- 使用专用按钮编辑顶级 Markdown 元素
- 通过按钮快速设置文本为粗体或斜体
- 插入超链接
- 编辑表格单元格时,使用 Tab 键跳转到下一个单元格,Enter 键跳转到下一行
这些改进使得在 Enso 中编写和维护项目文档变得更加高效和直观。
3. 云文件浏览器功能扩展
云文件浏览器功能得到了显著增强,特别是在处理文件输出组件时:
- 显示并高亮当前设置的文件
- 提供文件名输入框
- 支持创建新目录
- 允许重命名现有目录
- 团队及以上计划的用户可访问共享目录
这些改进使得云存储操作更加流畅,特别是在数据处理流水线中管理输入输出文件时。
标准库功能升级
1. 数据处理能力扩展
Enso 标准库增加了多项强大的数据处理功能:
Table.offset和Column.offset方法支持数据分页处理Table.generate_rows方法简化了数据生成- 新增正则表达式支持,包括
regex_match过滤功能 - 表达式语言现在支持基本算术运算、π和e常数
- 改进了分隔文件读取,自动处理列数不一致的行
2. 数据库连接增强
数据库连接功能获得了多项重要更新:
- 实现了通用 JDBC 连接支持
- 支持通过外部驱动程序的通用 JDBC 连接
- Snowflake 连接器新增密钥对认证支持
- 为 SQL Server、Snowflake、PostgreSQL 和 SQLite 添加了
DB_Table.offset方法
这些改进大大扩展了 Enso 与各种数据库系统的互操作性。
3. 新增进度 API
引入了全新的进度 API,使长时间运行的任务能够向用户提供执行进度反馈,提升了用户体验。
语言与运行时改进
1. 类型系统增强
Enso 的类型系统获得了多项重要更新:
- 引入了交集类型(Intersection types)和类型检查
- 改进了类型推断,现在更倾向于模块方法而非 Any 实例方法
- 为交集类型实现了对称、传递和自反的相等性
- 允许没有构造函数的类型声明为 public
2. 错误处理与语法改进
- 现在会提升损坏的值而不是忽略它们
- 单行内联参数定义不再允许使用空格而不加括号
- 改进了命名参数不匹配时的错误信息
- 将值注册为多个托管资源现在会报错
3. 模块系统改进
- 支持使用
fn...引用任何模块函数 - 项目的本地库可以添加到
polyglot/lib目录 - IR 定义现在由注解处理器生成
可视化与交互改进
1. 表格可视化优化
表格可视化组件进行了重大改进:
- 采用服务器端过滤和排序
- 支持懒加载行数据
- 优化了大数据集的处理性能
2. 组件交互优化
- 组件菜单下的"添加组件"按钮重新设计为从输出端口伸出的小按钮
- 修复了删除节点或连接后错误选择节点的问题
- 改进了文本字面量交互,不再丢失重做栈
- 工具提示会在点击按钮时正确隐藏
3. 可视化类型调整
- 禁用了热图和直方图可视化类型
- 地理地图可视化现在需要提供 Mapbox API 令牌
总结
Enso 2025.1.1 版本带来了全方位的改进,从核心语言特性到用户界面交互,从数据处理能力到数据库连接支持,都进行了显著增强。这些改进使得 Enso 在可视化编程和数据科学领域的竞争力进一步提升,为开发者提供了更强大、更易用的工具。
特别值得注意的是,新版本在类型系统、错误处理和模块化方面的改进,使得大规模项目开发更加可靠;而在用户体验方面的优化,如智能组件推荐、文档编辑增强和云文件管理,则大大提高了日常开发效率。
对于数据科学家和分析师来说,新增的正则表达式支持、改进的表格处理能力和增强的数据库连接功能,将直接提升数据处理的效率和表达能力。Enso 继续朝着降低技术门槛同时不牺牲表达力的方向稳步前进,是值得关注的可视化编程解决方案。
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