Malli 0.19.0版本发布:JSON转换与值生成的重大改进
Malli是一个功能强大的Clojure/Script数据验证和转换库,它提供了一种声明式的方式来定义数据结构、验证数据以及在不同格式之间进行转换。最新发布的0.19.0版本带来了几项重要改进,特别是在JSON转换和值生成方面的功能增强。
JSON转换器的重大改进
本次版本中最显著的变化是对json-transformer的改进,这是一个破坏性变更(BREAKING CHANGE)。在之前的版本中,json-transformer在处理:enum和:=类型时,会将所有值编码为JSON字符串。而在0.19.0版本中,它现在能够更智能地推断出适当的编码器。
例如,对于模式[:enum 1 2 3],现在会被正确地编码为JSON数字,而不是字符串。这一改进使得JSON数据的转换更加符合开发者的预期,减少了类型转换带来的意外行为。
对于那些依赖于旧版本行为的应用程序,Malli提供了覆盖编码器和解码器的能力。开发者可以通过在模式属性中明确指定编码器来保持向后兼容性。这种灵活性确保了升级路径的平滑性,同时为需要精确控制转换行为的场景提供了解决方案。
值生成功能的增强
Malli的值生成功能在这个版本中也得到了显著增强。:+和:*操作符现在支持生成器指令:gen/min和:gen/max,以及模式指令:min和:max。这意味着开发者现在可以更精确地控制生成值的范围。
例如,当需要生成一个包含1到10个元素的序列时,现在可以简单地使用这些指令来定义约束条件。这一改进特别适用于测试场景,开发者可以生成符合特定边界条件的测试数据,从而提高测试的覆盖率和有效性。
性能优化与问题修复
在性能方面,0.19.0版本对CLJS(ClojureScript)的包大小进行了优化,减少了生成的JavaScript代码体积。这对于前端应用尤为重要,因为更小的包大小意味着更快的加载时间和更好的用户体验。
此外,这个版本还修复了一个关于:default/fn的问题。现在,这个功能不仅可以在模式属性中使用,还可以在映射条目属性中正常工作。这一修复提高了Malli在处理默认值函数时的灵活性和一致性。
升级建议
对于正在使用Malli的项目,特别是那些重度依赖JSON转换功能的项目,建议在升级到0.19.0版本时进行充分的测试。虽然大多数情况下新版本的改进会带来更好的体验,但由于JSON转换行为的改变,某些特定场景可能需要调整。
对于值生成功能的增强,开发者可以考虑更新测试代码,利用新的生成器指令来创建更精确的测试数据。这不仅能够提高测试质量,还能帮助发现更多边界条件下的问题。
总的来说,Malli 0.19.0版本在保持库的核心价值的同时,通过一系列精心设计的改进,进一步提升了其作为数据验证和转换工具的实用性和灵活性。
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