Vizro 0.1.35 版本发布:文本组件与动态数据增强
Vizro 是一个基于 Python 的现代化数据可视化仪表盘构建框架,它通过声明式语法简化了复杂交互式仪表盘的创建过程。最新发布的 0.1.35 版本带来了一系列实用功能和改进,特别是新增了文本组件和增强了动态数据处理能力,使仪表盘开发更加灵活高效。
核心亮点:文本组件 vm.Text
本次更新最引人注目的新增功能是 vm.Text 组件,它允许开发者轻松地在仪表盘中添加任意文本内容。这个组件填补了 Vizro 在文本展示方面的空白,使得在仪表盘中添加说明文字、标题、注释等变得非常简单。
vm.Text 组件支持 Markdown 语法,这意味着开发者可以使用丰富的文本格式,包括标题、列表、链接、代码块等。例如,可以轻松创建带有格式说明的数据可视化仪表盘,或者在图表旁边添加详细的分析注释。
容器样式多样化
另一个值得关注的改进是 vm.Container 组件现在支持三种不同的样式变体:
plain:简洁风格filled:填充背景outlined:带边框
这种样式多样化使得开发者可以更灵活地设计仪表盘的视觉层次结构,通过不同样式的容器来区分内容区块,提升用户体验。
动态数据处理增强
0.1.35 版本在动态数据处理方面做了多项改进:
-
日期选择器自动更新:当底层动态数据发生变化时,
DatePicker过滤器现在会自动更新其选项范围,确保用户始终能够选择有效的数据范围。 -
动态参数自动刷新:动态数据参数现在会自动触发相关动态过滤器的刷新,这大大简化了基于动态数据的仪表盘开发流程。
-
参数初始化顺序优化:过滤器和参数现在可以在它们的目标组件之前初始化,这解决了之前版本中存在的一些初始化顺序问题。
其他重要改进
-
AgGrid 透明背景:AgGrid 组件的背景现在默认为透明,可以更好地融入仪表盘的整体设计风格。
-
空参数处理修复:修复了一个当参数选择为空时会错误发送
[None]到目标组件的问题。 -
Kedro 数据集加载优化:改进了
datasets_from_catalog功能,现在可以正确处理 Kedro 0.19.9 及以上版本,并且会自动加载版本化数据集的最新版本。 -
底层组件参数传递:新增了
extra参数到多个模型,允许开发者直接将参数传递给底层的 Dash 组件,提供了更细粒度的控制能力。
总结
Vizro 0.1.35 版本通过新增文本组件、增强动态数据处理能力和改进现有功能,进一步提升了构建数据可视化仪表盘的体验和灵活性。这些改进使得 Vizro 更加适合构建复杂的企业级数据分析应用,同时也降低了入门门槛,让数据科学家和分析师能够更专注于数据分析本身,而不是仪表盘实现细节。
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