Evidence项目v40.0.5版本发布:数据可视化与分析工具的重大更新
Evidence是一个开源的数据可视化与分析工具,它允许用户通过简单的Markdown语法创建专业的数据仪表盘和报告。该项目特别适合需要将数据分析结果以可视化形式呈现的技术人员和业务人员使用。
核心功能改进
数据源处理优化
本次版本对数据源处理进行了多项重要改进。开发团队修复了当日期列完全为空值时的源代码生成问题,这解决了在某些边缘情况下数据无法正确解析的问题。同时,团队还优化了虚拟数据源的配置处理,使得自定义数据源的使用更加稳定可靠。
特别值得注意的是,新版本引入了JavaScript源连接器功能,这为用户提供了更大的灵活性,可以直接在Evidence项目中使用JavaScript代码作为数据源。这一改进极大地扩展了Evidence的数据接入能力。
查询性能提升
在查询处理方面,开发团队修复了页面查询的热模块替换(HMR)问题,这使得开发者在修改查询时可以更快地看到结果变化,提高了开发效率。此外,团队还实现了对数据源的严格模式支持,这有助于在开发阶段更早地发现潜在的数据问题。
用户界面改进
侧边栏导航优化
新版本对三级侧边栏导航进行了全面改进。不仅增加了第三级导航的支持,还优化了可点击区域,使得用户操作更加便捷。这些改进显著提升了大型项目的导航体验。
组件样式统一
开发团队对多个组件的样式进行了统一调整,包括表格、标签页(Tabs)等核心组件。这些调整不仅提高了视觉一致性,还修复了日期输入框(DateInput)的边框回归问题。表格组件现在支持更灵活的分组功能,并且解决了排序时的大小写敏感问题。
可视化组件增强
在可视化方面,团队对气泡图进行了日志清理,优化了桑基图(SankeyDiagram)和注释(Annotations)组件的默认颜色值。这些改进使得图表展示更加专业和美观。
开发者体验提升
开发工具集成
新版本为VS Code扩展添加了滑块和复选框支持,这使得在VS Code中编辑Evidence项目更加方便。同时,团队清理了开发过程中的一些冗余日志,使开发者能够更专注于关键信息。
文档与指引完善
文档方面进行了多项改进,包括修复了PostgreSQL数据源的链接问题,移除了文档URL中的尾部斜杠,并提供了更明确的GitHub Pages基础路径说明。团队还添加了关于网站图标(favicon)和浏览器标签标题的配置指引。
其他重要修复
新版本修复了打印预览在暗黑模式下的显示问题,改进了下载属性对字符串的处理,并添加了默认索引页面的警告提示。这些改进虽然看似细节,但对用户体验有着实质性的提升。
总结
Evidence v40.0.5版本带来了从核心功能到用户界面的全方位改进,特别是在数据源处理、查询性能和组件一致性方面取得了显著进展。这些改进不仅提升了工具的稳定性和功能性,也大大改善了开发者和最终用户的使用体验。对于依赖数据可视化和分析的专业人士来说,这个版本值得升级。
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