Project Graph 1.7.3版本发布:树形节点优化与SVG支持
Project Graph是一款专注于图形化思维导图与节点式设计的工具软件,它通过直观的图形界面帮助用户构建复杂的思维网络和流程图。在最新发布的1.7.3版本中,开发团队针对核心功能进行了多项重要优化,特别是改进了树形节点的生成逻辑并新增了对SVG图形的原生支持。
树形节点生成机制优化
本次更新重点修复了使用Tab键与反斜杠键生成树形节点时的两个关键问题。首先是节点间距异常增大的缺陷,这在之前的版本中会导致随着节点层级的增加,子节点与父节点之间的空隙会不合理地扩大,影响整体布局的美观性和实用性。新版本通过重新计算节点间距算法,确保了各级节点保持合理的相对位置。
另一个重要修复是针对节点在框内生成时的定位问题。当用户在画布上的框内创建树形结构时,旧版本中新生成的节点可能会出现在框外,破坏原有的组织结构。1.7.3版本改进了这一行为,确保所有新节点都能正确地保持在框内边界范围内。
此外,使用Alt+方向键在实体周围创建节点时,新版本采用了更紧凑的布局策略,使得生成的节点网络更加紧密有序,提升了整体视觉效果和使用效率。
SVG节点支持
1.7.3版本引入了一个备受期待的新功能——原生SVG节点支持。用户现在可以直接复制SVG代码,然后通过快捷键在画布上粘贴创建SVG图形节点。这一功能极大地扩展了Project Graph的图形表达能力,允许用户导入各种矢量图形元素,丰富了思维导图的视觉呈现方式。
SVG节点的加入使得Project Graph不仅限于基本的形状和文本节点,还能整合更复杂的图形元素,为专业用户提供了更大的创作空间。无论是简单的图标还是复杂的矢量插图,现在都能无缝集成到思维导图中。
视觉与交互优化
在视觉呈现方面,1.7.3版本进行了多项细节改进。坐标轴数字的位置被重新调整,解决了当视图位于第一或第三象限时,坐标数字可能遮挡工具栏小标题的问题。这一看似微小的调整实际上显著提升了界面元素的清晰度和可读性。
主题模式下的视觉反馈也得到了增强。开发团队优化了不同主题下删除实体和选中实体的边框颜色,提高了两者的区分度,使用户能够更直观地识别当前操作状态。
macOS平台专项优化
针对macOS用户,1.7.3版本解决了几个长期存在的交互问题。最显著的变化是删改键的默认行为调整——新安装用户的删除键现在对应Backspace功能,而非Delete,这更符合大多数macOS用户的使用习惯。
另一个重要修复涉及粘贴操作后的键盘状态检测。旧版本中,在画布上使用Command+V粘贴内容后,系统有时会错误地认为Command和V键仍处于按下状态,导致后续操作异常。新版本彻底解决了这一干扰性问题,确保了键盘输入的准确性。
总结
Project Graph 1.7.3版本虽然是一个维护性更新,但包含了对核心功能的多项实质性改进。树形节点生成机制的优化使自动布局更加可靠,SVG支持的加入扩展了软件的图形处理能力,而各种细节调整则提升了整体用户体验。特别是对macOS平台的专项优化,显示出开发团队对不同操作系统用户需求的细致关注。
这些改进共同巩固了Project Graph作为一款专业级图形化思维工具的地位,为用户提供了更流畅、更强大的创作环境。无论是日常的思维整理还是复杂的项目规划,新版本都能提供更出色的支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00