Kolibri教育平台v0.18.1版本发布:优化测验功能与用户体验
Kolibri是一个开源的离线教育平台,专为资源受限环境设计,旨在为全球学习者提供高质量的数字化教育资源。该平台支持多种设备部署,包括Windows、Mac、Linux和Android系统,特别适合学校、社区中心和缺乏稳定网络连接的地区使用。
核心功能改进
测验功能重大优化
本次版本最显著的改进是针对测验功能的优化。系统现在默认采用固定题目顺序的章节设计,这一改变源于用户社区的反馈。在之前的版本中,测验题目可能会随机排序,这给教师的教学评估带来了一定困扰。新版本通过固定题目顺序,使得测验结果更加稳定可靠,便于教师进行纵向对比分析。
另一个重要修复是解决了长期存在的测验同步问题。当测验被分配给单个学习者或学习小组时,如果这些学习者使用的是仅限学习功能的设备,测验内容可能无法正确同步。这个问题在v0.18.1中得到了彻底解决,确保了所有学习设备上的测验内容都能保持一致。
用户界面与体验优化
针对Mac应用和Safari浏览器的显示问题,开发团队修复了Facility > Class表格的布局问题。同时,学习页面中的筛选器选项不再出现截断现象,确保了所有选项都能完整显示。在移动设备上,特别是在竖屏模式下查看练习测验时,"提交测验"按钮现在能够始终可见,提升了移动端用户体验。
技术架构改进
数据库与性能优化
在数据库层面,新增了date_deleted字段到FacilityUser模型,并引入了SoftDeletedFacilityUserModelManager。这些改进为未来实现用户软删除功能奠定了基础,同时确保了现有查询不会意外包含已删除用户。
性能方面,团队优化了作业更新的数据库写入操作,现在只对重要事件进行写入,减少了不必要的数据库负载。此外,通过移除未使用的Django区域设置文件,显著减小了whl文件的体积,提升了部署效率。
前端架构调整
前端部分进行了多项清理工作,包括移除不再使用的组件和优化学习活动导入。KDS(Kolibri Design System)升级到了最新版本,带来了更稳定的UI组件。特别值得注意的是,AccessibleResourceCard组件中的深层KTextTruncator样式被移除,使得代码结构更加清晰。
开发者相关改进
对于开发者而言,本次更新改进了SQLAlchemy URL.create对特殊字符密码的处理能力,增强了系统的兼容性。同时,eslint-config-prettier、katex、webpack等多个前端依赖项都更新到了最新版本,提供了更好的开发体验和安全性。
总结
Kolibri v0.18.1版本虽然是一个小版本更新,但包含了多项实质性改进,特别是在测验功能和用户体验方面。这些改进使得平台更加稳定可靠,同时也为未来的功能扩展打下了坚实基础。对于教育工作者和学习者来说,这个版本提供了更流畅、更一致的使用体验;对于开发者而言,则带来了更清晰的代码结构和更高效的开发工具链。
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 StartedRust015
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