Mosaic项目v0.13.0版本发布:增强SQL查询与可视化交互能力
Mosaic是一个创新的数据可视化框架,它结合了SQL查询引擎与交互式可视化组件,让开发者能够高效地构建复杂的数据分析应用。该框架通过声明式语法将数据处理与可视化紧密结合,大大简化了数据探索流程。
核心功能增强
1. 强大的WITH子句支持
新版本引入了对SQL WITH子句(即公共表表达式CTE)的完整支持。开发者现在可以使用cte()方法直接构建CTE查询节点,并通过materialized属性控制是否显式物化CTE。这项改进使得复杂查询的编写更加灵活和高效。
// 示例:使用CTE构建查询
const query = cte('temp', materialized(true))
.define(select('*').from('data'))
.with(select('*').from('temp'));
2. 几何平均数聚合函数
新增geomean聚合函数,支持对数据进行几何平均计算。该函数还支持预聚合优化,能够显著提升大数据集的计算性能。几何平均数在金融分析、增长率计算等场景中尤为重要。
-- 示例:计算销售数据的几何平均增长率
SELECT geomean(growth_rate) FROM sales_data
交互能力升级
1. 可激活组件接口
引入Activatable接口类型,为可视化组件提供了标准化的选择激活机制。这项改进使得不同组件间的交互行为更加一致,开发者可以更容易地创建复杂的交互式可视化应用。
2. 跨框架支持
新增makeClient效果API,使Mosaic能够无缝集成到其他主流前端框架中,如React、Svelte等。这一改进显著扩展了Mosaic的应用场景,让更多开发者能够受益于其强大的数据可视化能力。
架构优化
1. 模块化改进
项目全面转向纯ESM模块,更新了package.json的导出配置,使模块加载更加高效和符合现代JavaScript标准。
2. 测试体系升级
采用vitest工作区来运行跨所有包的测试用例,提高了测试效率和覆盖率,确保代码质量。
3. 示例项目重组
将所有示例项目集中到专门的examplesmonorepo文件夹中,并按框架类型分类,使开发者能够更轻松地找到相关示例代码。
实际应用价值
这些改进使得Mosaic在以下场景中表现更出色:
- 复杂数据分析:通过CTE支持,可以更优雅地处理多阶段数据分析流程。
- 交互式仪表盘:增强的交互接口让仪表盘开发更加简单直观。
- 跨平台应用:新的框架集成能力让Mosaic可以应用于更广泛的技术栈中。
v0.13.0版本的发布标志着Mosaic在成为全功能数据可视化解决方案的道路上又迈出了坚实的一步。无论是SQL查询能力的增强,还是可视化交互的改进,都为开发者提供了更强大的工具来构建下一代数据分析应用。
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