Grommet v2.46.0 版本发布:数据表格优化与响应式容器增强
Grommet 是一个基于 React 的现代化 UI 组件库,专注于提供可访问、响应式的用户界面设计解决方案。它由 HPE 设计系统团队维护,广泛应用于企业级应用中。本次发布的 v2.46.0 版本带来了一系列功能改进和问题修复,特别是在数据表格和响应式设计方面有显著增强。
数据表格列宽跟踪优化
本次更新改进了 DataTable 组件中列宽的跟踪机制,以及这些宽度值在固定列功能中的应用。在之前的版本中,当表格内容动态变化时,列宽的调整可能不够精确,导致固定列效果不理想。新版本通过优化内部计算逻辑,使得列宽的跟踪更加准确,特别是在以下场景中表现更佳:
- 动态加载数据时保持列宽一致性
- 固定列与滚动列之间的过渡更加平滑
- 响应式调整时保持布局稳定性
NameValueList 组件宽度传递支持
NameValueList 组件现在支持通过 max 和 min 属性传递 width 值。这一改进使得开发者能够更灵活地控制名称-值对列表的显示方式,特别是在需要限制列表项宽度的情况下。例如,可以确保长名称和值在有限空间内正确显示,而不会破坏整体布局。
容器级响应式设计支持
本次更新引入了一个重要的新特性:Box 组件现在支持 responsive='container' 属性。这一功能允许开发者为响应式上下文(ResponsiveContext)及其任何响应式子元素设置基于容器宽度而非整个窗口宽度的断点。
这项功能特别适用于以下场景:
- 嵌入式组件需要在父容器内独立响应
- 模态框或侧边栏中的内容需要根据容器尺寸调整
- 复杂布局中需要隔离不同区域的响应式行为
需要注意的是,此功能要求 styled-components 版本在 v6 或以上才能正常工作。
问题修复与改进
本次版本还包含了一系列问题修复,提升了组件的稳定性和用户体验:
-
FileInput 组件现在正确处理 disabled 状态,当输入被禁用时,移除按钮也会相应变为禁用状态。
-
Pagination 组件的 TypeScript 类型定义现在包含 BoxTypes,提高了类型安全性。
-
DateInput 容器在禁用状态下且不在 FormField 内时,现在会正确显示禁用输入样式。
-
修复了 Box 组件中 gap 属性作为对象时在 small 断点下不会被调整的问题。
升级建议
对于正在使用 Grommet 的项目,建议在测试环境中先行验证 v2.46.0 版本,特别注意以下方面:
- 检查现有 DataTable 的列宽行为是否符合预期
- 验证容器级响应式设计是否按需工作
- 确保 styled-components 版本符合要求(如需使用新响应式功能)
本次更新在保持向后兼容性的同时,为开发者提供了更强大的布局控制能力,特别是在复杂数据展示和响应式设计方面有了显著提升。
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