Neutralinojs 5.6.0版本发布:本地资源服务与窗口快照功能升级
Neutralinojs是一个轻量级的跨平台桌面应用开发框架,它允许开发者使用HTML、CSS和JavaScript等Web技术构建原生应用。与Electron等传统方案不同,Neutralinojs运行时非常轻量,应用打包后体积小巧,同时保持了跨平台兼容性。
本地资源服务API增强
在5.6.0版本中,Neutralinojs引入了一个重要的新功能——server命名空间。这个功能解决了长期以来开发者面临的一个痛点:无法直接使用file://协议加载本地资源文件。出于安全考虑,Neutralinojs默认禁用了file://协议,这导致开发者不得不通过文件系统API来读取本地文件,增加了开发复杂度。
新版本通过server.mount(path, target)方法,允许开发者将本地目录映射到Neutralinojs的静态服务器上。例如,开发者可以将应用资源目录映射到服务器路径,然后通过HTTP协议访问这些资源。这种方式既保证了安全性,又简化了本地资源访问的流程。
对应的server.unmount(path)方法可以移除已创建的映射,而server.getMounts()则能获取当前所有的映射配置。这一组API为处理本地资源提供了更加灵活和安全的方式。
资源管理功能改进
resources命名空间也在此版本中获得了重要更新:
- 当
NL_RESMODE设置为directory时,系统会自动回退到原生文件系统API,提高了兼容性 - 新增
resources.getStats(path)方法,用于获取资源文件的统计信息 - 新增
resources.extractDirectory(path, destination)方法,支持提取整个资源目录
特别值得注意的是,新版本修复了处理大型resources.neu文件时可能出现的问题,并改进了resources.extractFile()方法,现在它会自动创建不存在的目标目录,进一步提升了开发体验。
窗口管理功能增强
window命名空间新增了window.snapshot(path)方法,开发者现在可以轻松捕获应用窗口并保存为PNG格式的图片文件。这对于需要实现截图功能的应用程序来说是一个实用的补充。
此外,团队修复了Windows平台上window.getTitle()方法返回空字符串的问题,提高了API的可靠性。
开发工具链优化
在DevOps方面,5.6.0版本修复了BuildZri自动化脚本中的字符串格式化问题,并解决了测试套件中的多种失败场景,提升了开发流程的稳定性和可靠性。
对于现有项目,开发者只需将配置文件中的cli.binaryVersion更新为5.6.0,然后运行neu update命令即可获取新版本。这些改进使得Neutralinojs在保持轻量级特性的同时,提供了更强大的功能和更稳定的开发体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00