cattrs v25.1.0 版本发布:类型转换库的重大更新
cattrs 是一个强大的 Python 类型转换库,它能够自动在复杂的数据结构和简单数据类型(如字典、列表等)之间进行转换。这个库特别适合处理 attrs 类、dataclass 以及各种 Python 类型注解(如 TypedDict、NamedTuple 等),大大简化了序列化和反序列化的工作。
核心变更与改进
更早的错误检测机制
本次版本中,转换器现在会在创建钩子时就抛出 StructureHandlerNotFoundError 错误,而不是等到实际使用钩子时才抛出。这一改变有助于开发者更早地发现缺少钩子的问题,避免在运行时才遇到错误。
对于需要保持旧行为的用户,可以通过调整默认结构钩子回退工厂来恢复原有行为。
全面支持 typing.Self
新版本增加了对 typing.Self 的全面支持,包括:
- attrs 类
- dataclasses
- TypedDicts
- 使用 dict 工厂的 NamedTuple
这一特性在处理返回类自身实例的方法时特别有用,例如构建器模式或链式调用场景。
PEP 695 类型别名增强
现在可以直接使用 BaseConverter.register_structure_hook 和 BaseConverter.register_unstructure_hook 来注册 PEP 695 类型别名的钩子,而不必再使用 register_structure_hook_func 方法。同时,新版本还增加了对泛型 PEP 695 类型别名的支持。
新增 defaultdict 支持
cattrs 现在默认支持一些 defaultdict 类型,并提供了 is_defaultdict 和 defaultdict_structure_factory 工具函数,方便开发者处理这种常见的数据结构。
性能优化
枚举处理优化
多个预配置转换器(包括 bson、stdlib JSON、cbor2、msgpack、msgspec、orjson 和 ujson)现在会跳过对 int 和 str 枚举的解构,让底层库以更高效率处理这些类型。同时,包含枚举的 Literal 类型现在也能被正确解构。
字典处理改进
预配置转换器现在能够正确处理带有字面量键的字典,提高了这类常见数据结构的处理效率。
msgspec JSON 转换器优化
对于包含私有属性的 dataclass,msgspec JSON 预配置转换器现在能以更高效率进行处理。
其他重要改进
- 标记联合策略增强:现在也支持联合类型的类型别名
- TypedDict 验证改进:从无效输入构造 TypedDict 时会正确抛出
ClassValidationError - 泛型类支持:
include_subclasses策略现在能正确处理泛型父类 - 类型注解改进:
Converter.copy和BaseConverter.copy现在正确标注为返回Self类型 - Python 版本支持:新增 Python 3.13 支持,同时放弃对已停止维护的 Python 3.8 的支持
内部重构
- 用
SimpleStructureHook替换了MappingStructureFn - 将
Converter.__init__.unstruct_collection_overrides的类型从Callable改为Mapping[type, UnstructureHook] - 采用了 Contributor Covenant 行为准则,与 attrs 项目保持一致
总结
cattrs v25.1.0 带来了多项重要改进和新特性,特别是在类型支持、错误处理和性能优化方面。这些变化使得 cattrs 在处理复杂类型转换时更加健壮和高效,同时也提供了更好的开发者体验。对于正在使用或考虑使用类型转换功能的 Python 开发者来说,这个版本值得关注和升级。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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