Vedo 2025.5.3版本发布:科学可视化库的重大更新
Vedo是一个基于VTK的Python科学可视化库,它提供了简洁易用的API接口,能够帮助科研人员和工程师快速创建高质量的3D可视化效果。该库特别适合处理医学影像、计算流体力学、有限元分析等领域的数据可视化需求。
核心功能增强
精度与性能优化
新版本引入了settings.force_single_precision_points = False设置项,允许用户控制点数据的精度。这一改进特别适合需要高精度计算的场景,如CAD建模或精密工程分析。当设置为False时,系统将使用双精度浮点数存储点坐标,显著提高了计算精度。
网格处理能力提升
新增的mesh.laplacian_diffusion()方法为网格平滑处理提供了新的工具。拉普拉斯扩散算法能够有效去除网格表面的噪声,同时保持模型的整体形状特征,在医学图像处理和3D扫描数据处理中尤为实用。
针对网格布尔运算,文档中增加了详细说明,帮助用户更好地理解不同布尔操作(并集、交集、差集)的应用场景和限制条件。同时,修复了find_cell()函数的相关问题,提高了网格单元查询的准确性。
体积数据处理改进
体积数据的等值面提取功能得到了显著增强。volume.isosurface_discrete()方法现在能够更精确地提取离散等值面,特别适用于医学CT或MRI数据的可视化分析。同时,改进了体积传输函数的透明度处理,使得体积渲染效果更加自然。
用户体验优化
交互功能增强
新增的addons.DrawingWidget类为用户提供了在平面对象上绘制轨迹的能力,这一功能在医学图像标注、工程设计草图绘制等场景中非常实用。DistanceTool工具的修复则确保了距离测量的准确性。
箭头对象现在提供了top_point()和base_point()方法,可以方便地获取箭头的起点和终点坐标。同时修正了top_index属性的返回值,确保其与实际几何位置一致。
可视化控制改进
plotter.reset_clipping_range()方法的加入解决了相机裁剪范围自动调整的问题。现在,系统能够根据可见对象的边界自动计算合适的裁剪范围,避免了对象被意外裁剪的情况。
对于2D标量条对象进行了优化,使其在嵌入3D场景时表现更加稳定。同时,修复了LegendBox的显示问题,确保图例能够正确反映可视化内容。
数据处理与I/O改进
数据兼容性增强
所有加载函数现在都支持pathlib路径对象,使文件操作更加符合现代Python编程习惯。同时,输入输出功能对Assembly对象的支持得到了改进,使得复杂场景的保存和加载更加可靠。
数据质量保证
新增了对cell_normals调用的错误检查,如果用户在没有先调用compute_normals()的情况下尝试获取单元法线,系统将抛出明确的错误提示。这一改进有助于避免因法线数据缺失导致的渲染问题。
文档中增加了关于Cube和Box对象顶点重复的说明,解释了这种设计是为了支持法线定义。同时澄清了mesh.volume()和mesh.is_closed()方法在存在重复顶点时的行为特点。
其他重要改进
- 修复了
Plane.normal属性的计算问题,确保平面法线方向正确 - 视频对象新增
scale参数,允许调整视频帧的显示尺寸 - 改进了
legosurface函数的默认参数设置 - 截图功能现在支持透明度通道的保存
- 移除了过时的
CellCenters类,统一使用object.cell_centers()方法
这些更新使Vedo在科学计算可视化领域的应用更加广泛和可靠,为用户提供了更强大的工具来处理复杂的3D数据可视化任务。
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