BootstrapBlazor 9.7.0版本发布:全新会议组件与多项功能增强
BootstrapBlazor是一个基于Blazor的企业级UI组件库,它为开发者提供了丰富的组件和工具,帮助快速构建现代化的Web应用程序。本次发布的9.7.0版本带来了多项重要更新,包括全新的会议组件、多项功能增强以及问题修复。
核心功能更新
新增会议组件(Meeting)
本次版本引入了全新的Meeting组件,这是一个专门为在线会议场景设计的UI组件。开发者可以轻松集成视频会议功能到Blazor应用中,该组件提供了完整的会议界面布局,支持参会人员列表、视频区域、控制按钮等标准会议功能元素。
多选过滤功能增强
新增了MultiSelectFilter组件,这是一个专门为数据过滤场景设计的多选过滤器。与传统的单选过滤器不同,它允许用户同时选择多个过滤条件,大大提升了数据筛选的灵活性。同时新增的MultiSelectGeneric组件则提供了更通用的多选功能实现,可以方便地集成到各种数据展示场景中。
组件功能改进
表单验证优化
对验证组件进行了重要改进,将ToggleMessage方法的返回值改为Task类型,这意味着验证过程现在可以更好地支持异步操作。同时优化了验证组件的资源释放机制,确保在组件销毁时能够正确清理验证相关的资源。
表格组件增强
改进了Table组件的扩展按钮显示逻辑,移除了对ShowExtendEditButton和ShowExtendDeleteButton属性的冗余检查条件,使按钮显示控制更加灵活。同时优化了SelectGeneric组件的下拉菜单样式,增加了dropdown-menu-body类,提升了视觉一致性。
卡片组件样式扩展
为Card组件新增了HeaderPaddingY参数,允许开发者更精细地控制卡片头部的垂直内边距,提供了更大的样式定制空间。
底层架构优化
动态元素统一处理
重构了BootstrapInputGroupLabel组件,采用DynamicElement统一处理标签元素,提高了代码的一致性和可维护性。这种统一处理方式为未来的组件开发提供了更好的基础架构支持。
授权机制修复
修复了Layout组件在虚拟目录模式下的授权失败问题,确保了应用在各种部署环境下都能正确执行授权检查。
扩展组件更新
同步更新了多个扩展组件的依赖版本,包括Splitting组件升级到9.0.3版本并更新了样式,UniverSheet组件升级到9.0.5版本并更新了依赖,TableExport组件升级到9.2.5版本并更新了MiniExcel到最新v1.41.2版本。
总结
BootstrapBlazor 9.7.0版本通过新增会议组件和多选过滤功能,进一步扩展了其应用场景。同时通过对现有组件的优化和改进,提升了开发体验和组件性能。这些更新使得BootstrapBlazor在企业级应用开发中更具竞争力,为开发者提供了更强大、更灵活的工具集。
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