OpenTTD公司图表时间轴标签排序问题解析
在OpenTTD这款经典运输模拟游戏中,图表功能是玩家分析经营状况的重要工具。近期开发团队发现了一个关于公司相关图表时间轴标签排序的显示问题,这个问题在游戏使用实时钟模式(wallclock mode)时尤为明显。
问题背景
OpenTTD的图表系统包含多种类型,其中公司相关图表如运营利润、收入、交付货物量等,在实时钟模式下会显示过去72分钟的数据。当前实现中,X轴标签按照3、6、9...72的升序排列,但这与用户对时间流逝的直觉认知相悖。
技术分析
从代码提交历史可以看出,这个问题实际上经历了多次调整:
-
最初行业生产图表(Industry Production graph)的设计意图就是让标签按降序排列(72,69,66...3),因为这更符合"最近X分钟"的时间表示方式。
-
后来为了保持一致性,开发团队将所有图表都改为升序排列,但这实际上违背了时间数据的自然表示方式。
-
经过讨论,团队确认降序排列确实更符合用户心智模型,因为人们更习惯看到"最近"的数据在右侧。
解决方案
修复方案相对直接:将公司图表的时间轴标签顺序改为降序排列。这样当玩家查看图表时:
- 最右侧(72)表示"72分钟前"的数据
- 最左侧(3)表示"3分钟前"的数据
- 中间数值依次递减
这种排列方式更符合时间序列数据的常规表示方法,也与其他专业统计软件的处理方式一致。
用户体验影响
这一改动虽然看似微小,但对用户体验有显著提升:
-
更直观的时间流向:从左到右表示从过去到现在,符合大多数用户的时间认知。
-
更好的数据对比:最新数据在左侧,便于玩家快速比较近期表现。
-
统一的操作习惯:与其他统计工具保持一致,降低学习成本。
实现细节
在代码层面,这个修改涉及:
- 图表绘制逻辑的调整
- 标签生成算法的修改
- 确保与其他图表模式(非实时钟模式)的兼容性
开发团队需要特别注意保持不同图表类型之间的一致性,同时确保修改不会引入新的显示问题。
总结
这个案例展示了即使是看似简单的UI元素,也需要仔细考虑用户心理模型和行业惯例。OpenTTD团队通过多次迭代和讨论,最终确定了最符合用户预期的解决方案,体现了对细节的关注和对用户体验的重视。
对于游戏开发者而言,这个案例也提醒我们:一致性固然重要,但不应以牺牲合理性和易用性为代价。当标准做法与用户预期冲突时,应该优先考虑后者。
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