DivKit 31.14.0版本发布:跨平台UI框架的多项优化与修复
DivKit是一个开源的跨平台UI框架,它允许开发者使用声明式的JSON格式来构建复杂的用户界面。通过DivKit,开发者可以快速实现动态更新的UI组件,同时保持高性能和跨平台一致性。框架支持Android、iOS和Web三大平台,特别适合需要频繁更新UI内容的场景,如新闻资讯类应用。
Android客户端改进
本次更新中,Android客户端获得了多项重要修复和功能增强:
-
触发器机制修复:解决了在多Div视图场景下触发器可能失效的问题。触发器是DivKit中实现交互逻辑的重要机制,这个修复确保了复杂界面中用户操作的可靠性。
-
数学函数扩展:新增了对tan、acos、atan、atan2等三角函数的支持。这些数学函数在实现动态计算和动画效果时非常有用,比如可以根据用户输入实时计算并显示结果。
-
工具提示增强:实现了
tap_outside_actions属性,允许开发者定义当用户点击工具提示外部区域时触发的动作。这提供了更符合用户预期的交互体验。 -
视图复制修复:修复了ViewCopiesKt中可能抛出的"IllegalArgumentException: width and height must be > 0"异常,提高了框架的稳定性。
-
文本处理优化:改进了对软连字符(soft hyphen)的处理逻辑。原先只检查文本前10个字符,现在会检查整个文本内容,确保文本排版更加准确。
iOS客户端改进
iOS平台主要针对阴影渲染进行了调整:
- 跨平台一致性:调整了阴影渲染效果,使其与其他平台(特别是Android)的表现保持一致。这对于需要保持多平台UI一致性的应用尤为重要。
Web客户端改进
Web平台获得了三项重要修复:
-
提交动作修复:解决了
submit动作中integer类型变量的处理问题。原先当变量值为bigint类型时无法正确转换为字符串,现在可以正确处理大整数。 -
背景定位修复:修正了背景
start和end位置的计算问题,确保背景能够按照预期正确显示。 -
分页器行为优化:改进了
pager组件对visibility属性为gone的元素的处理逻辑。现在这类不可见元素不会影响分页器的正常行为。
技术价值与应用场景
本次DivKit更新体现了框架在以下几个方面的持续优化:
-
跨平台一致性:通过调整iOS的阴影渲染,确保不同平台上的视觉效果一致,这对品牌形象和用户体验至关重要。
-
交互可靠性:Android端的触发器修复和工具提示增强,使得复杂交互场景更加可靠。
-
性能与稳定性:文本处理和视图复制的优化,减少了潜在的性能问题和异常情况。
-
功能完整性:新增的数学函数支持,为开发者提供了更强大的动态计算能力。
这些改进使得DivKit更适合用于构建需要频繁更新内容、跨平台一致性要求高的应用,如新闻资讯、电商促销页面等场景。开发者可以更加专注于业务逻辑的实现,而不用担心底层UI渲染的细节问题。
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