Swift-Format 601.0.0版本发布:代码格式化工具的重大更新
Swift-Format是Swift官方推出的代码格式化工具,它能够帮助开发者自动保持代码风格的一致性。该工具基于SwiftSyntax构建,可以精确解析Swift代码结构,并根据预设规则对代码进行格式化处理。最新发布的601.0.0版本带来了多项重要改进和新特性,本文将详细介绍这些更新内容。
核心功能改进
本次更新对代码格式化功能进行了多项优化:
-
多行字符串字面量处理:新增了对多行字符串字面量的自动换行支持,能够根据配置的行长度限制智能地调整多行字符串的格式。
-
注释格式化增强:
- 新增了配置选项,允许自定义单行注释(
//)前的空格数量 - 改进了块注释的重新缩进处理
- 修复了注释长度计算的问题
- 新增了配置选项,允许自定义单行注释(
-
属性处理优化:
- 增加了在相邻属性之间添加换行的配置选项
- 修复了以条件编译指令开始的属性列表的格式化问题
-
闭包捕获列表:移除了闭包捕获等号周围的空格,使代码更加紧凑
性能优化
601.0.0版本对性能进行了显著提升:
-
PrettyPrinter重构:将PrettyPrint类拆分为两个部分,优化了内部结构,提高了格式化效率。
-
空白字符检测:使用手工优化的"是否为空白字符"检测函数,替代原有实现,显著提升了空白字符相关规则的检查速度。
-
行号计算修复:修正了PrettyPrinter报告错误行号的问题,确保错误定位更加准确。
新增规则与检查
本次更新引入了多项新的代码风格检查规则:
-
NoEmptyLinesOpeningClosingBraces规则:禁止在开闭大括号前后出现空行,保持代码紧凑性。
-
RetroactiveConformances检查:新增了对后向协议遵循的lint警告,帮助开发者避免潜在的命名冲突问题。
-
测试函数检查增强:扩展了对使用@Test属性标记的测试函数的检查支持。
-
保留空白行配置:新增了配置选项,允许保留仅包含空白字符的行的原始格式。
工具链与构建系统改进
-
Windows平台支持:修复了Windows平台下的多个问题,包括无限循环问题、路径处理问题和符号链接处理问题。
-
构建系统优化:
- 支持仅构建测试目标
- 支持构建为单个动态库
- 移除了重复的依赖项
-
实验性功能支持:新增了
--enable-experimental-feature选项,允许在解析器中启用实验性功能。
配置与使用改进
-
标准输入处理:支持通过
--assume-filename选项为从标准输入读取的内容指定配置文件名。 -
配置搜索优化:修复了在根目录(
/)下搜索配置文件的问题,并优化了配置文件查找逻辑。 -
逐步弃用:开始逐步弃用不指定输入路径的运行方式,未来将要求使用
-明确表示标准输入。
开发者体验提升
-
文档完善:补充了缺失的配置文档,明确了各项配置的默认值。
-
测试改进:
- 将测试从
swift-formatTests迁移到SwiftFormatTests - 修复了多平台下的测试问题
- 增加了Windows平台测试在发布流程中的执行
- 将测试从
-
代码质量:项目自身代码现在也遵循格式化规则,并在PR中强制执行。
Swift-Format 601.0.0版本的这些改进使代码格式化更加智能、高效,同时提供了更多自定义选项,能够满足不同团队和项目的代码风格需求。开发者现在可以更精确地控制代码格式,同时享受更快的处理速度和更稳定的跨平台体验。
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