Vico 2.0.0 发布:Android 图表库的重大革新
Vico 是一个专注于 Android 平台的现代化图表库,它提供了简洁的 API 和高度可定制的图表组件。最新发布的 Vico 2.0.0 版本是一次全面的架构重构,带来了诸多突破性的改进和新特性。
核心架构重构
Vico 2.0.0 最显著的改变是其重新设计的 API 架构。新版本将单层和多层图表的绘制与模型生成统一为单一类对,大大简化了库的结构。这种设计不仅减少了代码量,还提供了更大的灵活性。
在数据类型方面,Vico 2.0.0 将系列值从 Float 升级为 Double 类型。这一改变特别有利于处理 Unix 时间戳等需要更高精度的场景,避免了大多数范围和精度损失的问题。
新增图表类型与样式
本次更新引入了备受期待的K线图(Candlestick Chart)支持。开发者现在可以:
- 完全自定义K线的样式
- 使用预设的填充或空心K线样式
- 轻松实现金融类应用中的K线图功能
线图方面新增了对虚线样式的支持,同时引入了革命性的线条样式框架。这个新框架支持:
- 基于数据的线条和区域填充
- 颜色渐变效果
- 单填充和双填充预设
- 根据y值动态改变样式的功能(如正负值使用不同颜色)
交互体验提升
Vico 2.0.0 重新设计了滚动和缩放系统,提供了更精确的控制能力:
- 支持按指定x单位数滚动
- 可滚动到特定x坐标
- 设置视口宽度为x单位数
- 更流畅的缩放体验
新的标记框架提供了更详细的标记点信息,使值格式化和上下文感知行为的实现更加简单。内置标记的默认格式化器现在能智能判断何时汇总值,何时单独列出。
视觉优化与智能布局
在y轴处理上,Vico 2.0.0 实现了智能默认范围和标签定位:
- 自动推断合适的10的幂次
- 将y范围边界向外舍入到该幂次的倍数
- 在该幂次的倍数位置放置标签
内置的轴项目布局器也得到了增强:
- x轴项目间距可根据缩放因子动态调整
- 防止标签截断
- y轴新增基于步长的项目布局器
性能与扩展性
新的缓存机制显著提升了绘制性能:
- 在帧之间保留更多可重用数据
- 支持在相同组件的多个实例间共享缓存数据
对于使用 Jetpack Compose 的开发者,稳定性相关的改进使得可组合项跳过成为可能,从而提升了性能。
新的提供者接口体系允许对图表层进行细粒度定制,典型用例包括:
- 基于y值设置列样式
- 在线图中只显示选定条目的点
开发者体验
Vico 2.0.0 提供了全新的默认样式,开箱即用的视觉效果更加现代和通用。文档体系也进行了全面重组和扩展,示例应用中的图表现在使用真实世界的数据,更具参考价值。
对于从 Vico 1.x 迁移的开发者,官方将提供支持直到2026年2月28日。在此期间,1.x版本的bug报告和修复仍会得到处理。
Vico 2.0.0 的这些改进使其成为 Android 平台上更加强大、灵活和易用的图表解决方案,无论是简单的数据可视化还是复杂的交互式图表需求,都能得到很好的满足。
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