BitPlatform v9.6.0 版本发布:Blazor组件生态与全栈开发能力全面升级
BitPlatform 是一个基于 Blazor 的全栈开发框架,它为开发者提供了丰富的 UI 组件库、项目模板和工具链,帮助开发者快速构建现代化的 Web 应用。最新发布的 v9.6.0 版本带来了多项重要更新,涵盖了 Blazor UI 组件、项目模板、离线支持等多个方面,显著提升了开发体验和应用能力。
Blazor UI 组件库重大增强
全新 Markdown 处理能力
v9.6.0 版本引入了完整的 Markdown 处理解决方案,包括三个核心组件:
-
Markdown 查看器:支持将 Markdown 内容渲染为 HTML,特别优化了预渲染和 SEO 支持,确保内容能被搜索引擎正确索引。
-
Markdown 编辑器:提供了直观的 Markdown 编辑界面,开发者可以轻松集成到内容管理系统中。
-
转换服务:提供了服务端和客户端均可使用的 Markdown 到 HTML 的转换服务,实现了处理逻辑的统一和复用。
日期选择器功能增强
日期选择器和日期范围选择器组件新增了两项实用功能:
-
时区支持:开发者可以指定特定的时区来处理日期时间,解决了跨时区应用中的显示一致性问题。
-
只读模式:新增的只读属性允许展示日期信息而不允许修改,适用于展示场景。
此外,还优化了选中日期的视觉表现,提升了用户体验。
文件上传组件改进
文件上传组件新增了两个重要特性:
-
隐藏文件视图:在某些场景下,开发者可能只需要上传功能而不需要显示已上传文件列表,现在可以通过配置实现。
-
追加模式:支持在已有文件列表基础上继续添加新文件,而不是替换整个列表,更适合多批次上传场景。
导航与搜索组件优化
导航面板和搜索框组件新增了颜色定制选项,使开发者能够更好地控制组件外观,保持与整体应用设计风格的一致性。
其他组件改进
- 无限滚动:修复了已知问题,提升了性能和稳定性。
- 图片组件:进行了功能增强和性能优化。
- 数字输入框:吸收了原SpinButton组件的功能,实现了组件功能的统一。
- 导航面板:集成了原导航组件的特性,如项目模板支持,提高了组件复用性。
- 页面可见性检测:新增的页面可见性检测功能可以感知应用窗口的显示状态,配合轮播组件实现了"窗口最小化时暂停轮播"的智能行为。
- 按钮组件:修复了仅图标模式和图标URL与Href属性同时使用时的问题。
BitBoilerplate 全栈模板升级
生物认证支持
本次更新最大的亮点之一是全面集成了FIDO2/WebAuthN标准,这意味着开发者可以轻松为应用添加基于生物特征(如面部识别、指纹识别)的登录认证方式,大幅提升了应用的安全性和用户体验。
开发者工具增强
- 诊断工具:新增了缓存清理按钮,方便开发者在调试时快速清除应用缓存。
- 配置管理:将所有项目的配置文件(appsettings*.json)统一纳入持续交付管道处理,实现了配置的集中管理。
- 预渲染配置:将预渲染和Blazor模式的配置从客户端迁移到服务器端,使配置更加集中和易于管理。
用户认证改进
- 通过社交账号注册的用户现在会被自动标记为已验证状态,即使用户没有提供电子邮件或电话号码。
- 改用SymmetricSecurityKey生成JWT令牌,替代了原有的PFX方式,简化了安全配置。
BitBswup 离线支持优化
BitBswup是BitPlatform的离线支持解决方案,v9.6.0版本引入了灵活的预渲染模式配置,开发者可以根据应用需求选择不同的策略:
-
无预渲染模式:完全依赖客户端渲染,提供完整的离线支持,适合对SEO要求不高但需要强离线能力的应用。
-
始终预渲染模式:始终使用服务端预渲染的内容,适合对SEO要求极高但不需要离线支持的应用。
-
初始预渲染模式:首次访问时使用预渲染,后续交互使用客户端渲染,平衡了SEO和离线支持的需求。
开发工具链改进
-
EF Core警告:工具现在会自动检测并警告非异步的EF Core方法调用,帮助开发者避免潜在的性能问题。
-
代码生成优化:改进了SetParametersAsyncSourceGenerator生成的代码性能,并修复了相关问题。
-
Blazor ES2019支持:为Blazor应用提供了对现代JavaScript特性的更好支持,提升了互操作能力。
总结
BitPlatform v9.6.0版本带来了全方位的功能增强和体验优化,从UI组件到全栈开发能力,从用户认证到离线支持,每个方面都有显著提升。特别是新增的Markdown处理能力和生物认证支持,为开发者构建现代化Web应用提供了更强大的工具。灵活的预渲染策略和持续改进的开发工具链,则进一步提升了开发效率和应用质量。这些更新使得BitPlatform在Blazor全栈开发领域的领先地位更加稳固。
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