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。
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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust016
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