pyRevit项目v5.2.0版本发布:Revit自动化工具的重大更新
pyRevit是一个基于Python的开源Revit插件框架,它为Autodesk Revit软件提供了强大的扩展能力和自动化工具。该项目通过Python脚本扩展了Revit的功能,使建筑设计师和工程师能够更高效地完成重复性任务、批量处理数据和自定义工作流程。
核心功能更新
新增pyrevit-mcp扩展模块
本次5.2.0版本最显著的更新是引入了pyrevit-mcp扩展模块。这个由JotaDeRodriguez贡献的扩展为Revit用户提供了更多专业级的建筑信息模型处理能力。该模块特别适合需要进行复杂模型检查和处理的专业用户,它扩展了pyRevit在模型协调和质量控制方面的功能。
面板标题支持增强
开发团队在.panel bundle.yaml配置文件中新增了对'title:'属性的支持。这一改进使得扩展开发者能够更灵活地定义面板标题,为自定义UI提供了更多可能性。用户现在可以通过简单的YAML配置来自定义工具面板的显示标题,而无需修改底层代码。
工具功能优化
图纸处理工具改进
- 复制图纸工具现在能够保留详图编号,解决了用户在跨文档复制图纸时详图编号丢失的问题
- 修订报告生成工具进行了功能增强,为用户提供了更多控制选项
- 创建修订图纸集工具同样获得了更多用户控制参数,使修订管理更加灵活
模型检查与预检功能
预检检查工具新增了CSV导出功能,用户现在可以将审计结果导出为CSV格式,便于在商业智能(BI)工具中进一步分析。这一功能特别适合需要生成质量报告或进行项目审计的用户。
参数管理工具
- 字体切换工具全新加入工具集,为用户提供了快速修改文本样式的便捷方式
- 清除族参数工具增加了"关联到其他"选项,扩展了参数清理的范围
- 编号重排工具修复了多个UI视图同时打开时的处理逻辑问题
技术改进与修复
底层架构优化
开发团队解决了LibGit2Sharp库缺少CredentialsProvider的问题,这一修复由dnenov贡献,显著提升了与Git仓库交互的稳定性。同时,对int64类型的支持改进确保了工具在Revit 2026中的LongId处理能力。
用户体验提升
- 快速工具栏扩展由tay0thman贡献,提供了更便捷的工具访问方式
- 颜色标记工具修复了MEP区域和空间的行为问题,并修正了错误的Revit API类调用
- 选择列表功能由iorhanV进行了优化,提升了交互体验
总结
pyRevit 5.2.0版本带来了多项功能增强和问题修复,特别是在模型检查、图纸处理和参数管理方面有了显著改进。新增的pyrevit-mcp扩展为专业用户提供了更强大的模型处理能力,而各种工具的优化则进一步提升了日常工作的效率。这些更新使得pyRevit继续保持在Revit自动化工具领域的领先地位,为建筑信息模型工作流程提供了更多可能性。
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