Make.md 1.0.6版本发布:增强导航菜单与视图功能
Make.md是一款基于Markdown的知识管理工具,它通过增强Obsidian等笔记应用的功能,为用户提供了更强大的内容组织和可视化能力。该项目专注于改善用户在Markdown文档中的导航、搜索和内容管理体验。
功能改进
导航菜单自定义设置
1.0.6版本新增了导航菜单的上下文菜单覆盖功能。这项改进允许用户将Navigator的上下文菜单替换为Obsidian的原生菜单,为用户提供了更一致的界面体验。对于同时使用Obsidian和Make.md插件的用户来说,这意味着可以减少不同界面元素带来的认知负担,使操作流程更加流畅。
视图起始日期设置
此次更新为日视图、周视图和月视图增加了"开始日期"选项。这一功能增强使得用户可以根据个人需求自定义视图的起始时间点,而不是只能使用系统默认的当前日期。例如,项目管理者可以设置视图从项目启动日期开始,而不是当前日期,从而获得更符合实际工作流程的时间线展示。
问题修复
Blink功能修复
1.0.6版本解决了Blink功能中的两个关键问题:
- 过滤器和预览无法显示的问题
- 无法打开Blink中项目的问题
Blink是Make.md中的快速预览和导航功能,这些修复确保了用户可以正常使用这一核心特性来快速浏览和访问文档内容。
面包屑导航行为恢复
在兼容模式关闭的情况下,面包屑导航的行为已恢复到预期状态。面包屑导航是用户在文档层级中定位的重要工具,这一修复保证了导航体验的连贯性和可靠性。
类型不匹配导致的崩溃
开发团队修复了一个可能导致应用崩溃的类型不匹配问题。这类底层问题的解决提升了整个应用的稳定性,减少了用户在使用过程中遇到意外退出的情况。
上下文中的标签过滤和排序
之前版本中存在的一个限制是用户无法在上下文中按标签进行过滤和排序。1.0.6版本修复了这一问题,现在用户可以更灵活地使用标签来组织和查找内容,这对于依赖标签系统进行知识管理的用户尤为重要。
技术实现分析
从发布的资源文件来看,这次更新主要涉及:
- 主JavaScript文件(main.js)的大小为4707KB,表明这是一个功能较为丰富的插件
- 样式表(styles.css)相对精简(104KB),说明界面改动主要集中在功能层面而非视觉设计
- manifest.json文件保持简洁,表明插件配置结构清晰
这些技术特点反映出Make.md项目在保持核心功能强大的同时,也注重代码的组织和维护性。
总结
Make.md 1.0.6版本通过新增的导航菜单自定义和视图起始日期设置,进一步提升了用户的操作体验和灵活性。同时,对Blink功能、面包屑导航和标签过滤等核心特性的修复,确保了系统的稳定性和功能的完整性。这些改进使得Make.md继续成为Markdown知识管理领域的一个强大工具,特别适合需要高效组织和可视化复杂知识体系的专业用户。
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