Skyvern项目v0.1.83版本发布:自动化Web操作能力全面升级
Skyvern是一个专注于Web自动化操作的AI项目,它通过智能化的方式模拟人类在浏览器中的交互行为,实现各种网页任务的自动化执行。该项目结合了计算机视觉、自然语言处理和浏览器自动化技术,为用户提供了一个强大的工具来自动化处理复杂的Web工作流程。
核心功能增强
浏览器会话管理优化
本次版本对持久化浏览器会话功能进行了多项重要改进:
-
会话超时控制:新增了浏览器会话请求的超时机制,有效防止长时间无响应的情况。同时将会话超时设置为可选字段,提升了使用的灵活性。
-
会话状态追踪:在持久化浏览器会话表中添加了started_at和completed_at时间戳字段,便于精确追踪会话的生命周期。
-
性能优化:为runnable_id字段添加了索引,显著提高了查询效率,特别是在处理大量会话数据时。
元素定位与交互增强
项目对网页元素的定位和交互能力进行了重要升级:
-
XPath生成:新增了自动生成元素XPath的功能,使得元素定位更加精准可靠。
-
DOM结构优化:改进了元素树的结构化表示,通过添加结构化div元素,使DOM树更清晰易读,同时避免了构建完整DOM树带来的性能开销。
-
多级选择修复:解决了多级元素选择时可能出现的问题,提升了复杂页面元素定位的准确性。
新功能亮点
凭证管理API开放
v0.1.83版本正式开放了凭证管理相关API,包括:
-
TOTP验证码支持:新增了专门的TOTP验证码端点,方便处理双因素认证场景。
-
凭证CRUD操作:提供完整的凭证创建、读取、更新和删除接口,支持安全存储和管理各类认证信息。
工作流运行监控
增强了工作流运行的监控和查询能力:
-
运行详情获取:新增API支持获取特定工作流运行的详细信息,包括执行状态、时间戳等关键数据。
-
响应数据丰富:在任务响应中添加了recording_url和downloaded_files字段,方便用户直接访问执行过程的录屏和下载的文件。
性能与稳定性改进
-
最大迭代次数调整:将任务v2的最大迭代次数提升至13次,适应更复杂的自动化场景。
-
自动完成尝试减少:优化了自动完成逻辑,减少了不必要的尝试次数,提高执行效率。
-
DOM监听修复:解决了DOM监听器可能出现的bug,提升了页面操作的可靠性。
开发者体验优化
-
统一接口:将所有库面向的代码统一到
from skyvern import Skyvern接口下,简化了开发者的使用方式。 -
API文档完善:全面更新了API文档,增加了详细的代码示例,帮助开发者更快上手。
-
调试信息增强:增加了模块加载的调试日志,便于开发者排查问题。
评估功能增强
-
通用运行端点:新增了通用的/runs评估端点,支持对各类运行结果进行评估分析。
-
响应规范化:对评估返回结果进行了标准化处理,确保返回项和总数的格式统一。
Skyvern v0.1.83版本的发布标志着该项目在Web自动化领域的又一次重要进步,特别是在浏览器会话管理、元素交互和凭证处理等方面有了显著提升,为开发者构建复杂的Web自动化解决方案提供了更强大的工具支持。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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