Marp for VS Code 3.1.0 版本发布:增强导出功能与用户体验
Marp for VS Code 是专为 Visual Studio Code 编辑器设计的 Markdown 幻灯片制作工具,它基于 Marp 生态系统,允许用户使用简单的 Markdown 语法创建精美的演示文稿。该项目通过集成 Marp CLI 的核心功能,为开发者提供了在 VS Code 中直接编写、预览和导出幻灯片的完整工作流。
新增功能亮点
自动打开导出文件功能
3.1.0 版本引入了 markdown.marp.exportAutoOpen 设置项,这是一个提升工作效率的实用功能。当用户导出幻灯片为 PDF、PPTX 或其他格式时,启用此选项后,系统会自动打开生成的导出文件。这个特性特别适合需要频繁导出和检查幻灯片效果的场景,省去了手动查找和打开文件的步骤。
可编辑 PPTX 实验性支持
在 PowerPoint 兼容性方面,新版本增加了实验性的 markdown.marp.pptx.editable 设置。启用后,导出的 PPTX 文件将保留更多可编辑元素,而不是将所有内容渲染为静态图片。这使得用户在 PowerPoint 中可以对导出的幻灯片进行进一步调整,为需要后期微调的场景提供了更多灵活性。
兼容性改进与用户体验优化
不兼容扩展提醒机制
针对扩展冲突问题,3.1.0 版本实现了一个智能的观察者机制。当检测到安装了可能影响 Marp 功能正常工作的其他扩展时,系统会主动通知用户。这个改进解决了长期存在的扩展兼容性问题,特别是那些可能干扰 Markdown 预览或幻灯片渲染的扩展。
主题感知图标
在视觉体验方面,新版本修复了图标主题颜色不一致的问题。现在 Marp 图标会根据 VS Code 当前的主题设置自动调整颜色,保持界面视觉风格的一致性,提升了整体用户体验。
底层引擎升级
本次更新将内置的 Marp CLI 引擎升级到了 4.1.1 版本,带来了核心幻灯片渲染引擎的性能改进和稳定性提升。这一底层升级意味着用户可以获得更快的编译速度、更可靠的导出功能以及修复的各种边缘情况问题。
设置项优化
开发团队对一些设置项进行了重新标记,将 markdown.marp.strictPathResolutionDuringExport 明确标注为"实验性"功能,帮助用户更好地理解这些功能的成熟度和稳定性状态。这种透明化的标注方式有助于用户做出更明智的设置选择。
总结
Marp for VS Code 3.1.0 版本在保持核心功能稳定的同时,通过新增自动打开导出文件、改进 PPTX 导出兼容性、增强扩展冲突检测等特性,进一步提升了用户的工作效率和体验。特别是对需要频繁与 PowerPoint 协作的用户来说,新的可编辑 PPTX 支持将大大简化工作流程。这些改进体现了开发团队对用户反馈的积极响应和对产品质量的不懈追求。
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