Livebook v0.15.0 版本发布:增强Erlang支持与团队协作功能
Livebook 是一个交互式的 Elixir 和 Erlang 编程环境,它允许开发者以笔记本的形式编写、执行和共享代码。作为一个现代化的开发工具,Livebook 结合了代码执行、可视化输出和文档记录的功能,特别适合数据探索、教学和协作开发场景。
核心功能更新
增强的 Erlang 支持
本次更新显著提升了 Livebook 对 Erlang 语言的支持能力。现在开发者可以直接在 Erlang 单元格中定义模块,这为需要在 Elixir 项目中混合使用 Erlang 代码的用户提供了极大便利。同时,Standalone 运行时节点现在支持通过 erl flags 参数进行更精细的配置,使得 Erlang 环境的定制更加灵活。
团队协作与认证体系
Livebook 引入了基于 Livebook Teams 的认证机制,为应用服务器提供了完整的身份验证解决方案。这一功能特别适合企业级部署场景,支持第三方 SSO 集成,使得团队协作更加安全便捷。部署组环境变量现在会自动包含在生成的 Livebook 应用服务器指令中,进一步简化了团队协作环境下的配置工作。
开发体验优化
输出显示增强
新增的网格输出最大高度设置功能让开发者能够更好地控制大型数据集的显示方式。同时,纯文本输出现在支持文本样式,使得日志和文本信息的展示更加丰富多样。
调试与日志改进
代码评估过程现在会生成详细的日志记录(info级别),配合新增的 LIVEBOOK_LOG_LEVEL 和 LIVEBOOK_LOG_METADATA 环境变量,开发者可以更灵活地控制日志输出内容和级别,大大提升了调试效率。
表单功能完善
Kino 表单现在能够正确处理 nil 字段,解决了表单初始化时的常见问题。同时优化了表单变更事件的触发机制,避免在首次渲染时产生不必要的变更事件。
平台兼容性提升
桌面应用改进
Windows 版本解决了重复安装导致的 Hex 存档冲突问题,macOS 版本优化了 URL 复制功能在终端中的粘贴体验。所有桌面版本现在默认使用固定端口(32123)启动服务器,仅在端口被占用时才会回退到随机端口,提高了使用一致性。
Docker 环境更新
Docker 基础镜像已升级至 Ubuntu 24.04,同时捆绑的 Elixir 和 Erlang 版本分别更新至 1.18.2 和 27.2.2,确保开发者能够使用最新的语言特性和安全补丁。
开发者工具链调整
本次更新将最低要求的 Elixir 版本提升至 1.18,开发者需要相应升级本地环境。值得注意的是,之前被忽略的 RELEASE_DISTRIBUTION 设置现在必须不被定义,这一变更可能会影响某些特定的部署配置。
Livebook v0.15.0 通过上述改进,进一步巩固了其作为 Elixir/Erlang 生态系统中领先的交互式开发工具的地位,特别是在团队协作和企业级应用场景中展现了更强的竞争力。
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