PHP_CodeSniffer 3.13.0 版本发布:PHP代码规范检查工具迎来重要更新
PHP_CodeSniffer 是一个广泛使用的PHP代码规范检查工具,它可以帮助开发者自动检测代码是否符合编码规范,并提供自动修复功能。该项目最新发布的3.13.0版本带来了多项重要更新和改进。
新特性与功能增强
本次3.13.0版本最显著的变化是增加了对PHP 8.4新特性的支持。PHP 8.4引入了不对称可见性修饰符(asymmetric visibility modifiers),现在tokenizer已经能够正确识别这些新语法。此外,针对PHP 8.4中新增的final属性特性,PSR2.Classes.PropertyDeclaration嗅探器也进行了相应更新。
Generic.WhiteSpace.LanguageConstructSpacing嗅探器现在扩展了其检查范围,新增了对goto语言结构关键字后空格的检查,这有助于保持代码风格的一致性。
代码规范检查改进
PSR2.Classes.PropertyDeclaration嗅探器在本次更新中得到了显著增强。它不仅能够检查PHP 8.4的final属性,还会验证final修饰符是否正确地放置在可见性关键字之前。如果发现顺序错误,会通过新的FinalAfterVisibility错误代码报告问题。
问题修复与优化
本次更新修复了几个重要问题。Generic.Strings.UnnecessaryHeredoc嗅探器之前会错误地将包含转义序列的heredoc标记为不必要,这个问题已得到修复。同时,修复器现在能够正确处理nowdoc中不必要的转义序列。
另一个重要修复涉及文件修复过程中的部分更新问题。在某些情况下,即使文件"修复失败",扫描的文件仍会被部分更新,这个问题已经解决,确保了修复过程的可靠性。
文档与用户体验改进
本次更新还包含了对多个嗅探器文档的改进,特别是PSR1.Files.SideEffects、PSR2.ControlStructures.SwitchDeclaration和PSR2.Namespaces.NamespaceDeclaration等嗅探器的文档得到了完善,帮助用户更好地理解和使用这些规则。
命令行界面的帮助信息也进行了优化,特别是关于--reports标志的说明更加清晰,提升了用户体验。
向后兼容性考虑
值得注意的是,3.13.0版本将之前软弃用(soft deprecated)的功能转为硬弃用(hard deprecated),这意味着这些功能将在未来的4.0版本中被移除。这包括将被移除的嗅探器、废弃的Generator方法、旧的数组属性设置格式等多种元素。开发者可以通过使用-q(quiet)命令行标志来静默这些弃用通知。
未来展望
项目团队已经发布了PHP_CodeSniffer 4.0的首个beta版本,并呼吁社区参与测试。为了帮助开发者顺利过渡,项目Wiki上已经发布了4.0版本的用户升级指南和开发者升级指南。
PHP_CodeSniffer作为PHP生态中重要的代码质量工具,其持续更新和改进对于维护PHP代码质量标准具有重要意义。3.13.0版本在支持最新PHP特性的同时,也在为即将到来的4.0大版本更新做准备,体现了项目团队对代码质量和开发者体验的持续关注。
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
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
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
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00