BlockNote v0.23.0 版本发布:跨编辑器拖放与协作编辑优化
BlockNote 是一个现代化的富文本编辑器框架,基于 ProseMirror 构建,提供了模块化的块状编辑体验。它允许开发者轻松创建类似 Notion 的编辑器界面,支持实时协作、自定义块类型等高级功能。本次发布的 v0.23.0 版本带来了多项重要改进,特别是在跨编辑器操作和协作体验方面。
跨编辑器拖放功能修复
在之前的版本中,用户在不同 BlockNote 编辑器实例之间拖放内容块时可能会遇到问题。v0.23.0 彻底修复了这一功能,使得内容块可以无缝地在多个编辑器之间移动。这一改进对于构建复杂应用(如多面板笔记应用或内容管理系统)尤为重要。
技术实现上,团队重构了拖放处理逻辑,确保拖放事件在不同编辑器实例间正确传递,同时保持了每个编辑器的独立状态管理。
协作光标体验提升
BlockNote 的实时协作功能得到了显著改进,新增了 showCursorLabels 选项,允许开发者控制是否显示协作用户的光标标签。这一改进使得协作界面更加清晰,特别是在多人同时编辑的场景下。
团队还对协作光标的渲染性能进行了优化,减少了不必要的重绘,提升了在高并发编辑时的流畅度。协作光标现在能更准确地反映其他用户的位置和选择范围。
导出功能增强
文档导出功能(PDF 和 DOCX)得到了多项改进:
-
代码块支持:现在代码块可以完整保留语法高亮和语言信息导出到 PDF 和 DOCX 文档中。导出的代码会保持原始格式,包括缩进和换行。
-
分页符支持:新增了分页符功能,用户可以在编辑器中插入分页控制导出文档的页面布局。这对于需要精确控制打印格式的用户特别有用。
-
样式一致性改进:修复了导出文档中部分样式不一致的问题,确保在编辑器中看到的内容与导出结果高度一致。
性能优化
v0.23.0 包含了多项性能优化措施:
-
Shiki 高亮器缓存:代码块语法高亮现在会缓存 Shiki 高亮器实例,避免重复初始化带来的性能开销。这一改进显著提升了包含大量代码块的文档渲染速度。
-
事件处理优化:建议菜单(suggestion menu)的事件传播被优化,减少了不必要的事件冒泡,提升了整体响应速度。
国际化支持
本次更新新增了意大利语翻译,并改进了现有的法语翻译,使得 BlockNote 可以更好地服务于全球用户。国际化支持现在覆盖了编辑器界面、错误提示和默认块类型名称等关键内容。
其他改进
- 修复了表格单元格起始位置选择的问题
- 优化了代码块语言检测逻辑
- 调整了构建配置,确保所有包都能正确打包
- 改进了协作光标的文档说明
BlockNote v0.23.0 的这些改进使得编辑器更加稳定、高效,特别是在协作和跨编辑器操作场景下。对于正在寻找现代化、可扩展的富文本编辑解决方案的开发者来说,这个版本提供了更完善的功能和更好的用户体验。
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