Scrapling v0.2.97版本发布：内存优化与核心功能增强
Scrapling是一个功能强大的Python网络爬虫框架，它提供了简洁高效的API来处理网页抓取、数据提取等任务。本次发布的v0.2.97版本是一个重要的性能优化更新，主要针对内存使用和核心功能进行了改进。
内存优化与性能提升
本次更新最显著的改进是全面降低了所有Fetcher（抓取器）的内存使用量，同时带来了小幅度的速度提升。开发团队对缓存大小实施了新的限制策略，在进行大量请求/操作时，内存消耗将显著低于之前的版本。
技术实现上，团队重构了Fetchers的大部分代码，不仅提高了可维护性，还通过优化内部处理流程获得了性能提升。这种底层架构的改进使得Scrapling在处理大规模数据抓取任务时更加稳定可靠。
关键Bug修复
-
TextHandler字符串处理修复：修复了当单独导入TextHandler并传递非字符串值时会被转换为空字符串的问题。现在任何传递给TextHandler的值都会自动转换为字符串，然后再转换为TextHandler对象。这一强制转换确保了TextHandler始终如其名称所示——专门用于处理字符串数据。
-
异步重试机制修复：修复了AsyncFetcher中多个方法的retries参数未被考虑的问题。现在异步抓取的重试机制将按照预期工作，提高了异步操作的可靠性。
类型提示改进
为了提升开发体验，本次更新全面优化了所有Fetcher中大多数参数的类型提示。新的类型提示更加清晰准确，能够帮助开发者更好地理解API的使用方式，并在开发过程中获得更好的IDE支持。
技术意义与升级建议
v0.2.97版本虽然是一个小版本更新，但其内存优化对于大规模爬取任务至关重要。对于经常处理大量数据的开发者来说，升级到此版本可以显著降低服务器资源消耗，提高爬虫的稳定性。
类型提示的改进虽然看似微小，但对于团队协作和长期项目维护有着重要意义。更准确的类型提示可以减少开发时的猜测，提高代码质量。
建议所有Scrapling用户尽快升级到此版本，特别是那些：
- 运行内存受限的环境
- 处理大规模数据抓取任务
- 使用异步抓取功能
- 依赖类型提示进行开发的团队
这次更新体现了Scrapling项目对性能优化和开发者体验的持续关注，为未来的功能扩展奠定了更坚实的基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级，通过中期大规模视觉-语言推理数据训练，显著提升了模型的表征能力和模态对齐，实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager（推理记忆数据管理器），是一款以KV Cache为中心的推理加速套件，其融合了多类型缓存加速算法工具，分级管理并持久化推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建，总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比，它在性能上有显著提升，并引入了新的实用功能Python00- Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型，支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容，输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入，具备多页批量处理、动态分块识别和交互式区域选择等创新功能，用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源，提供Hugging Face演示和完整代码，适用于学术研究到工业应用的广泛场景，为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
kernel
docs
cangjie_compiler
nop-entropy
flutter_flutter
openHiTLS
RuoYi-Vue3
pytorchcangjie_tools
ops-math