Project Graph 1.6.3版本发布:无向边与超边功能全面升级
Project Graph是一款专注于可视化图形编辑的开源工具,它为用户提供了直观的节点和边操作界面,特别适合用于知识图谱构建、思维导图绘制以及复杂关系网络的可视化分析。在1.6.3版本中,开发团队重点增强了无向边和超边的功能,同时对用户体验进行了多项优化。
核心功能升级
多源无向边功能完善
1.6.3版本对无向边功能进行了全面增强。现在用户可以在无向边上直接编辑文字,这为标记边的关系类型或添加注释提供了便利。开发者还增加了箭头显示选项,用户可以根据需要选择箭头显示在内部、外部或完全隐藏箭头。
技术实现上,无向边采用了直线连接方式而非曲线,这提高了视觉清晰度。特别值得一提的是,无向边的中心位置现在支持拖拽调整,用户可以通过鼠标操作灵活改变边的布局。在数据持久化方面,团队确保了无向边的所有属性都能正确保存和加载。
超边功能重大改进
超边功能在本版本获得了算法级优化。开发团队实现了凸包算法,使得超边能够以更美观的凸包形式渲染节点集合。系统会自动计算合适的padding值,确保超边与包含的节点保持恰当距离。
新增的超边渲染模式切换功能允许用户在不同视觉表现间选择,这为不同使用场景提供了灵活性。例如,在处理密集节点群时,用户可以选择最合适的渲染方式来保持界面清晰。
用户体验优化
交互方式增强
1.6.3版本显著改善了视图导航体验。横向滚轮的支持让用户能够更自然地浏览大型图形。当使用方向键移动选中节点时,摄像机的跟随移动变得更加平滑,减少了视觉跳跃感。
侧边滚轮(通常指鼠标拇指滚轮)获得了自定义功能,用户可以根据习惯设置其行为。新增的"滚动时视野跟随鼠标移动"选项进一步提升了操作直觉性。
文本与链接处理
现在,任何实体(节点或边)详细信息的第一行都会被特殊处理:如果内容符合路径格式,系统会将其识别为可打开的外部链接。这一设计巧妙地扩展了文本节点的功能,使其能够充当文档或资源的快捷入口。
新增的文本交换快捷键(e e e e e)提供了快速将节点内容与详细信息互换的能力,这对需要频繁调整节点显示内容的用户特别有用。
技术细节优化
在底层实现上,开发团队重构了节点旋转相关的代码,改善了命名规范和维护性。框选机制从"非完全覆盖"模式升级为更精确的"碰撞检测"模式,提高了选择操作的准确性。
错误处理界面经过重新设计,现在更便于用户复制错误信息寻求技术支持。视觉方面,凸包线的渲染效果获得优化,整体显示更加清晰美观。
实用功能与小改进
版本中包含多项贴心的小功能:生成大量表情节点的快捷键(= = =)为演示和测试场景提供了便利;KEI和RUA节点的生成算法经过调整,布局更加合理;各种文本提示和翻译内容也经过了仔细校对和优化。
Project Graph 1.6.3通过上述改进,在功能丰富度和使用流畅度上都达到了新高度。无向边和超边功能的完善使其在处理复杂关系网络时更具优势,而全方位的交互优化则让各类用户都能获得更舒适的操作体验。这些变化共同推动Project Graph向着更专业、更易用的可视化工具方向迈进。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00