Vico图表库2.1.0版本发布:性能优化与跨平台支持
Vico是一个功能强大的Android图表库,专注于提供流畅、高效的图表展示体验。它采用声明式API设计,支持多种图表类型和丰富的自定义选项,能够满足移动端数据可视化的各种需求。本次2.1.0版本的发布,不仅带来了性能上的显著提升,还首次引入了对Compose Multiplatform的支持,标志着Vico向跨平台开发迈出了重要一步。
核心性能优化
在2.1.0版本中,Vico团队对核心模块进行了多项性能优化。其中最重要的改进是对ExtraStore机制的重新设计。在之前的版本中,所有通过CartesianLayer.transform添加的额外数据都存储在CartesianChartModel.extraStore中,这导致哈希计算变得非常耗时,因为这些数据对象通常体积较大。
新版本将这部分数据分离到了新引入的MeasuringContext.extraStore中,显著减少了主存储的哈希计算时间。这一改动虽然对自定义动画CartesianLayer实现构成了微小破坏性变更,但带来的性能提升非常可观。对于大多数标准使用场景,开发者无需做任何调整即可享受到这一优化带来的好处。
新增图表标记位置选项
为增强图表的可读性和美观性,2.1.0版本新增了DefaultCartesianMarker.LabelPosition.BelowPoint定位选项。这个新选项允许标记标签显示在标记点的下方,特别适用于数据点密集或标签较长的场景,可以有效避免标签重叠问题,提升图表的整体可读性。
跨平台支持里程碑
本次更新的重头戏是新增的multiplatform模块,它标志着Vico正式支持Compose Multiplatform技术栈。这个新模块基于原有的compose和coreAPI构建,但针对跨平台环境进行了适配和简化。开发者现在可以使用同一套代码在Android、iOS和桌面平台上绘制一致的图表。
multiplatform模块提供了两个可选的配套模块:multiplatform-m2和multiplatform-m3,分别对应Material Design 2和Material Design 3的样式主题。这种模块化设计让开发者可以根据项目需求灵活选择,同时保持代码的一致性。
需要注意的是,当前的跨平台支持仍处于实验阶段。与原生Android版本相比,multiplatform模块暂时缺少ComponentShader支持和ShapeComponent的阴影效果,这些功能将在后续版本中逐步完善。
其他改进与调整
在样式细节方面,2.1.0版本调整了虚线样式的默认短划线和间隙长度,使虚线图表看起来更加协调。对于Compose预览功能,新版本改进了在非交互式预览中的同步处理机制,确保图表能够正确显示,这对提高开发效率很有帮助。
此外,新版本正式弃用了旧的Maven Central坐标(1.6.2版本之前使用的),开发者应该更新到新的依赖坐标以避免未来可能出现的兼容性问题。
升级建议
对于现有项目,升级到2.1.0版本通常只需更新依赖版本号即可。如果项目中使用了自定义的动画CartesianLayer实现,则需要检查ExtraStore的使用方式,确保正确处理了新的MeasuringContext.extraStore。
对于考虑采用跨平台方案的新项目,可以开始尝试multiplatform模块,但需要留意其实验性状态和当前的功能限制。随着Vico跨平台支持的不断完善,未来将提供更稳定、功能更全面的多平台图表解决方案。
总的来说,Vico 2.1.0版本在性能、功能和跨平台支持方面都取得了显著进步,为开发者提供了更强大、更灵活的数据可视化工具。无论是优化现有Android应用中的图表性能,还是构建全新的跨平台应用,这个版本都值得考虑。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00