Decidim v0.28.5 版本发布:关键修复与功能优化
项目简介
Decidim 是一个开源的数字参与平台,它为公民、组织和公共机构提供了一个协作决策的工具集。作为一个基于 Ruby on Rails 开发的框架,Decidim 支持多种参与功能,包括建议、投票、会议、预算分配等。该平台特别注重透明度和可访问性,是构建现代数字基础设施的理想选择。
版本概述
Decidim v0.28.5 是一个维护版本,主要针对之前版本中发现的问题进行了修复和优化。这个版本虽然没有引入新功能,但对现有功能的稳定性和用户体验进行了重要改进,特别是在用户数据清理、PDF生成、地图性能等方面。
核心改进
用户数据清理增强
在用户删除账户时,系统现在会彻底清除个人URL和简介等敏感字段。对于历史数据,新增了一个专门的rake任务来清理已删除用户的残留信息:
bin/rails decidim:upgrade:clean:clean_deleted_users
这一改进显著提升了平台对GDPR等隐私法规的合规性,确保用户数据被完全删除而不仅仅是标记为删除状态。
PDF生成工具变更
为了提高与最新Ubuntu版本的兼容性并减小Docker镜像体积,此版本移除了wkhtmltopdf-binary gem依赖。现在系统要求通过包管理器直接安装wkhtmltopdf二进制文件:
sudo apt install wkhtmltopdf
这一变化使得PDF生成更加稳定,特别是在容器化部署环境中。
地图性能优化
针对包含大量标记的地图视图,特别是建议地图,进行了性能优化。通过改进数据加载和渲染机制,显著减少了页面加载时间,提升了用户浏览体验。
重要修复
-
编辑器路由修复:解决了编辑器图片路由问题,确保内容编辑器中的图片能够正确显示。
-
会议功能改进:
- 修复了会议日历在列表视图中的显示问题
- 解决了自定义注册邮件中图片缺失的问题
- 优化了会议日期和位置的UX展示
-
建议系统增强:
- 修复了建议地图中大量标记导致的性能问题
- 解决了建议高亮页面的UX调整问题
- 改进了建议导入功能
-
表单系统修复:
- 修正了调查导出中列顺序混乱的问题
- 修复了必填问题标记的显示问题
-
通知系统优化:
- 阻止向被屏蔽用户发送新闻简报
- 防止为已删除用户生成通知
技术细节
前端改进
- 优化了移动设备上的个人资料工具提示显示
- 改进了导航子菜单的WCAG可访问性
- 为活动链接添加了aria-current属性
- 修复了翻译栏的CSS样式问题
后端优化
- 改进了时区处理,确保表单中的日期时间字段正确反映组织设置的时区
- 修复了缓存静态地图更新的问题
- 优化了URL转义处理
- 改进了差异渲染输出
升级指南
升级到v0.28.5版本相对简单,但仍需注意以下步骤:
- 更新Gemfile中的版本号
- 安装wkhtmltopdf二进制文件
- 运行标准升级命令
- 执行用户数据清理任务
建议在升级前进行完整的数据库和应用代码备份。
总结
Decidim v0.28.5版本虽然没有引入重大新功能,但对平台的稳定性、性能和用户体验进行了全面优化。特别是对用户隐私保护的增强、PDF生成流程的改进以及地图性能的提升,使得这个版本成为所有运行Decidim v0.28.x系列用户的重要升级选择。对于注重数据合规性和系统稳定性的组织来说,升级到这个版本尤为重要。
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