Obsidian-Export v25.3.0 发布:增强Markdown兼容性
Obsidian-Export 是一个强大的命令行工具,专门设计用于将 Obsidian 笔记库中的内容导出为其他格式。它能够处理 Obsidian 特有的语法和功能,如内部链接、嵌入内容等,并将其转换为标准 Markdown 或其他格式,方便用户在不同平台间迁移或发布内容。
最新发布的 v25.3.0 版本主要带来了对 GitHub Flavored Markdown (GFM) 的支持,这一改进显著提升了导出内容的质量和兼容性。
GFM支持:改善Obsidian callouts的导出效果
本次更新的核心特性是启用了 GitHub Flavored Markdown 扩展支持。这一变化特别针对 Obsidian 中的 callouts(标注框)功能,解决了之前版本中可能出现的格式混乱问题。
在 Obsidian 中,callouts 是一种常用的笔记组织方式,它允许用户创建带有特殊样式的注释块。例如:
> [!NOTE]
> 这是一个示例标注
在之前的版本中,这类 callouts 在导出时可能会被添加不必要的转义字符,导致格式损坏。v25.3.0 通过启用 GFM 支持,确保了这些特殊语法能够被正确识别和处理,从而保持原有的结构和样式。
技术实现细节
GFM 是标准 CommonMark 的一个扩展集,增加了表格、任务列表、删除线等额外语法支持。Obsidian-Export 通过集成 pulldown-cmark 库的最新功能,实现了对这些扩展语法的完整支持。
具体到 callouts 的处理,新版本采用了更智能的解析策略:
- 识别 Obsidian 特有的 callout 语法结构
- 在保持语义完整性的前提下进行转换
- 避免添加不必要的转义字符
- 确保输出与 GFM 规范兼容
使用建议
对于依赖 callouts 组织笔记的用户,升级到 v25.3.0 将获得更可靠的导出体验。建议所有用户及时更新,特别是:
- 经常需要将笔记发布到 GitHub 的用户
- 使用 callouts 进行知识管理的用户
- 需要保持笔记在不同平台间一致性的用户
安装与升级
用户可以通过多种方式获取新版本:
- 使用 shell 脚本一键安装(支持 Linux/macOS)
- 通过 PowerShell 脚本安装(Windows 用户)
- 直接下载对应平台的预编译二进制文件
所有发布文件都附带了 SHA256 校验和,确保下载安全可靠。
总结
Obsidian-Export v25.3.0 通过引入 GFM 支持,解决了长期存在的 callouts 导出问题,进一步巩固了其作为 Obsidian 生态中重要工具的地位。这一改进使得笔记导出过程更加无缝,减少了后期手动修正的工作量,对于内容创作者和知识工作者来说是一个值得欢迎的更新。
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