Puerts项目中的UE抽象类实例化问题解析
在Unreal Engine开发中,使用Puerts进行TypeScript脚本开发时,开发者可能会遇到一个关于抽象类实例化的警告问题。本文将深入分析这一问题的本质原因,并提供解决方案。
问题现象
当开发者尝试通过Puerts继承UE的Object类并创建实例时,控制台会出现如下警告信息: "Class which was marked abstract was trying to be loaded in Outer /Engine/Transient. It will be nulled out on save. None Object"
技术背景
在Unreal Engine中,抽象类(Abstract Class)是不能直接实例化的类,它们通常作为基类存在,需要由子类继承并实现具体功能后才能使用。Puerts通过TypeScript继承UE类的机制,实际上是在底层创建了一个蓝图类,只是将函数调用重定向到了JavaScript实现。
问题根源分析
-
TypeScript继承的本质:在Puerts中,当TypeScript代码继承UE类时,系统会在底层自动生成一个蓝图类。这个生成的蓝图类才是真正可实例化的类。
-
抽象类限制:直接尝试实例化TypeScript中定义的类,实际上是在尝试实例化一个抽象基类,违反了UE的对象系统规则。
-
蓝图工作流差异:在纯蓝图工作流中,系统会自动处理这些继承关系,而在Puerts中需要开发者明确理解这一机制。
解决方案
正确的做法是使用生成的蓝图类来构造对象,而不是直接实例化TypeScript类。具体实现方式如下:
- 首先确保TypeScript类正确继承UE基类并导出
- 在需要实例化的地方,通过UE系统提供的蓝图类构造方式创建对象
- 避免直接使用new操作符实例化TypeScript定义的类
最佳实践建议
-
明确继承关系:在TypeScript中定义类时,清楚了解它最终会生成什么样的蓝图类。
-
遵循UE对象生命周期:使用UE提供的对象创建和销毁机制,而不是JavaScript的new/delete模式。
-
调试技巧:遇到类似警告时,可以检查生成的蓝图类是否正常,以及实例化方式是否符合UE规范。
通过理解Puerts与UE对象系统的这种交互机制,开发者可以避免这类问题,编写出更加健壮的跨语言代码。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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