ZWave-JS-UI 10.5.0版本发布:服务端更新与设备支持优化
ZWave-JS-UI作为一款开源的Z-Wave智能家居管理界面,在10.5.0版本中带来了多项功能改进和问题修复。本次更新主要聚焦于设备兼容性增强、服务端更新机制优化以及用户界面体验提升。
核心更新内容
设备兼容性改进
本次版本针对智能家居设备支持进行了多项优化:
-
冷/暖白光支持:修复了冷白光和暖白光设备在系统中的识别问题,使这类设备能够被正确发现和管理。这对于支持色温调节的智能灯具尤为重要。
-
功率因数设备类修正:解决了功率因数(power_factor)设备类设置不正确的问题,确保能源监测类设备能够准确上报数据。
-
RF区域选择优化:在节点表格中,当设备不支持RF区域设置时,相关选项会被自动禁用,避免用户误操作。
服务端与架构升级
-
Z-Wave JS库升级:将底层Z-Wave JS驱动升级至15.4.1版本,带来更稳定的通信性能和更多设备支持。
-
服务端更新机制:实现了基于Service Worker的更新提示功能,当有新版本可用时,系统会自动提示用户进行更新,确保用户始终使用最新功能。
-
构建工具优化:更新了vite-plugin-pwa插件至1.0.0版本,并移除了冗余的service worker文件,使前端构建更加高效。
技术实现解析
设备发现机制改进
在智能家居系统中,设备发现是基础而关键的功能。本次更新特别针对色温控制和能源监测类设备进行了优化:
-
对于支持色温调节的灯具,系统现在能够正确区分冷白光和暖白光模式,确保用户可以通过界面准确控制灯光色温。
-
功率因数作为衡量电力使用效率的重要指标,其设备类的正确设置对于能源监测设备至关重要。修复后的系统能够准确识别这类设备并正确显示相关数据。
服务端架构优化
Service Worker技术的引入显著提升了应用的离线能力和更新体验:
-
更新提示机制:通过Service Worker,应用能够在后台检测新版本,并在用户下次访问时提示更新,无需手动刷新。
-
缓存策略优化:新的构建工具链简化了前端资源的缓存管理,提高了应用加载速度,同时确保更新后资源能够及时生效。
-
稳定性提升:移除冗余的Service Worker文件减少了潜在冲突,使应用运行更加稳定。
升级建议
对于现有用户,建议尽快升级至10.5.0版本以获取以下优势:
- 更全面的设备支持,特别是色温调节灯具和能源监测设备
- 更稳定的Z-Wave通信性能
- 更智能的更新提醒机制
- 更流畅的用户界面体验
升级过程可通过项目提供的各平台安装包完成,包括Linux(arm64/armv7/x86)和Windows版本。升级前建议备份当前配置,以确保数据安全。
本次更新体现了ZWave-JS-UI项目团队对用户体验和系统稳定性的持续关注,为智能家居管理提供了更加可靠的基础平台。
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 StartedRust013
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