GoldenCheetah v3.7版本发布:运动数据分析工具的全面升级
GoldenCheetah是一款开源的自行车和铁人三项运动数据分析软件,专为运动员、教练和运动爱好者设计。它提供了强大的数据可视化和分析功能,支持从各种运动设备导入数据,并帮助用户深入了解训练效果和运动表现。
核心功能升级
用户界面改进
新版本引入了图形化的启动画面,显示版本信息和加载进度。主窗口现在支持从概览视图直接拖放操作,提升了用户体验。批量处理功能新增了元数据更新选项,使得数据处理更加全面。搜索/过滤框的下拉菜单图标得到改进,颜色主题问题得到修复。
图表功能增强
概览图表增强了拖放项目放置功能,并提供了预览功能。地图图表新增了比较模式,可配置灰度过滤器。性能图表现在支持使用Ctrl+鼠标滚轮进行缩放,以及鼠标滚轮点击拖动进行平移。趋势图表中的曲线新增了忽略零值选项,使数据展示更加清晰。
文件格式支持
新版本改进了对最新Garmin设备使用的FIT结构的支持,解决了无分段数据的问题。现在能够读写FIT文件中的XData开发者字段,确保导入的开发者数据在FIT导出时得到保留。GPX解析器现在支持ns3 TrackPointExtension名称,并在可用时使用速度数据。
训练功能优化
训练模式改进
训练模块底部工具栏采用了新的图标,更好地适应了浅色和深色主题。通过工具栏中的命名训练过滤器,改进了训练项目的选择方式。设备向导新增了蓝牙配对功能,macOS 12.x及以上版本支持BTLE连接。
训练编辑器增强
训练编辑器现在支持MRC风格的qwkcode(以CP百分比表示的功率)。可以从Strava下载路线作为训练计划,或通过查询API从TrainerDay(原ErgDB)下载训练计划。新增了针对坡度/距离训练的缩放海拔小部件和图表。
技术架构升级
Qt框架迁移
v3.7版本的一个重要技术改进是将基础代码迁移到Qt 6,同时保持对Qt 5的兼容性。这一变化为未来的功能开发奠定了基础,并提升了软件的稳定性和性能。升级后的Qwt版本为6.4(qwt-multiaxes分支),提供了更好的图表支持。
构建环境更新
Travis-ci构建环境升级到macOS 12.6和Qt5.15,Linux版本升级到Ubuntu 22.04。AppImage现在支持fuse3,提高了在Linux系统上的兼容性。Qt6视频支持已更新至最新的Qt 6.8.3版本,嵌入式WebEngine浏览器的改进修复了Garmin Connect和Strava等外部网站的登录问题。
数据管理与分析
功率区间优化
新版本引入了功率区间的半自动范围创建功能,简化了训练区间的设置过程。疲劳区间命名进行了统一调整,提高了使用的一致性。数据过滤器新增了isAero功能,帮助分析空气动力学表现。
游泳数据分析
游泳数据解析得到改进,能够正确识别和分类不同的泳姿(0-休息,1-自由泳,2-仰泳,3-蛙泳,4-蝶泳,5-训练,6-混合)。连续休息长度现在会合并为单个区间,并可以设置最小休息长度过滤。
云服务与同步
云数据库现在支持在服务器不可用时回退到本地缓存,提高了数据访问的可靠性。云服务同步对话框根据服务能力进行了适配,提供了更准确的同步选项。运动员级别的WebEngineProfile用于管理cookie和存储,在OAuth工作流程中被禁用,提高了安全性。
开发者功能
Python API新增了删除XData系列和XData的功能,为开发者提供了更灵活的数据管理能力。数据过滤器新增了xdataseries()、xdataunits()和xdatavalues()函数,增强了数据处理能力。
兼容性说明
需要注意的是,趋势图表中忽略零值的选项会使该版本保存的图表与之前版本不兼容。首次启动时,由于启用了步行配速指标,将触发完整的指标重新计算。Windows用户需要安装vc++ redistributable并重启后才能正常运行新版本。
GoldenCheetah v3.7版本通过全面的功能改进和技术升级,为运动数据分析提供了更强大、更稳定的工具,无论是业余爱好者还是专业运动员都能从中受益。
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-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
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