Jan项目新用户体验优化:默认开启模型选择界面
Jan项目团队近期针对新用户首次使用时的体验问题进行了优化,重点解决了模型选择界面不易被发现的问题。这项改进显著降低了新用户的上手难度,使AI模型的使用更加直观。
问题背景
在之前的版本中,新用户安装Jan应用并完成初始设置后,系统默认显示的是一个空白的主界面。许多用户反馈他们不知道如何选择和使用AI模型,导致首次使用体验不佳。这个问题尤其影响那些对AI技术不太熟悉的普通用户,他们往往需要花费额外时间寻找模型选择入口。
解决方案
开发团队通过分析用户行为数据,决定对首次启动流程进行以下优化:
-
自动开启输入框设置:在用户完成初始设置后,系统会自动弹出输入框设置面板,直接引导用户进行模型选择。
-
简化界面布局:默认状态下会关闭右侧边栏,使界面更加简洁,突出核心功能区域。
-
视觉引导强化:通过界面元素的自动展开,确保模型选择区域成为用户的视觉焦点。
技术实现
这项改进主要涉及应用启动流程的调整和界面状态管理:
-
启动流程重构:修改了应用初始化逻辑,在完成欢迎引导后自动触发设置面板的展开。
-
状态持久化:记录了用户的首次使用状态,确保优化体验只在新用户首次启动时生效。
-
响应式设计:确保在不同屏幕尺寸下,自动展开的设置面板都能保持良好的可用性。
用户体验提升
这项优化带来了多方面的用户体验改善:
-
降低学习曲线:新用户无需主动寻找模型选择入口,系统直接呈现关键功能。
-
提高使用效率:减少了用户摸索界面的时间,使他们能更快开始实际使用。
-
增强产品友好度:通过更智能的引导,让技术背景较弱的用户也能轻松上手。
未来展望
Jan团队将持续优化新用户体验,计划在以下方面进行进一步改进:
-
智能模型推荐:根据用户硬件配置自动推荐合适的模型。
-
交互式教程:增加更详细的功能引导和操作演示。
-
个性化设置:允许用户自定义初始界面布局偏好。
这项改进体现了Jan项目对用户体验的持续关注,通过细致入微的优化,让复杂的技术变得更加平易近人,使更多用户能够轻松享受AI技术带来的便利。
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