Scalafmt v3.9.0 发布:全面支持 Scala.js 与跨平台一致性改进
Scalafmt 是一个流行的 Scala 代码格式化工具,它能够自动将 Scala 代码按照预定义的风格规范进行格式化。最新发布的 v3.9.0 版本带来了多项重要改进,特别是对 Scala.js 的全面支持,以及一系列针对跨平台行为一致性的优化。
跨平台支持的重大升级
本次版本最引人注目的特性是增加了对 Scala.js 的完整支持。Scala.js 是一个将 Scala 代码编译为 JavaScript 的工具,使得 Scala 能够运行在浏览器和 Node.js 环境中。为了确保在不同平台(JVM、Native 和 JS)上的一致行为,开发团队对异步处理(如 I/O 操作和 Futures)等关键部分进行了重新设计。
在实现跨平台支持的过程中,团队引入了 PlatformFileOps 接口来统一文件操作,替代了原先直接使用 Java NIO 的方式。这使得文件读写操作能够在所有平台上以异步方式执行,提高了性能表现。同时,还定义了平台无关的异常类,并重构了系统退出处理机制,使用 PlatformRunOps 替代了直接调用 sys.exit。
格式化引擎的改进与修复
在格式化引擎方面,v3.9.0 修复了多个影响格式化结果的问题。特别是针对 Unix 和 Windows 系统下格式化结果不一致的问题,团队进行了系统性修复。这包括:
- 改进了对 Windows 换行符(\r\n)的处理
- 修正了正则表达式模式匹配中的跨平台问题
- 优化了字符串和注释的格式化逻辑
- 修复了块语句(RedundantBraces)移除时的错误
这些改进确保了在不同操作系统上运行 Scalafmt 时,生成的格式化结果能够保持一致。
性能优化与架构调整
为了提高性能并简化代码结构,v3.9.0 进行了多项优化:
- 使用 Future 替代 .par 并行处理,提高异步处理效率
- 重构了 ScalafmtRunner 和 CommunitySuite 的并行处理机制
- 移除了不必要的平台兼容性代码
- 优化了文件操作相关的 API,移除了冗余方法
构建系统与依赖更新
在构建系统方面,本次更新升级了多个关键依赖:
- 将 Scalameta 升级至 v4.13.1 版本
- 更新了 jline、sbt-native-packager 等工具链组件
- 升级了 metaconfig 和 mdoc 等文档生成工具
- 改进了 CI/CD 流程,优化了测试矩阵
总结
Scalafmt v3.9.0 通过引入 Scala.js 支持和跨平台一致性改进,进一步巩固了其作为 Scala 生态中代码格式化标准工具的地位。这些改进不仅扩大了工具的应用场景,也提升了在不同环境下的稳定性和一致性。对于 Scala 开发者而言,升级到最新版本将获得更流畅的跨平台开发体验和更可靠的格式化结果。
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