TDesign Mobile React 0.14.0版本发布:新增级联选择与下拉菜单组件
TDesign Mobile React是腾讯开源的一套面向移动端的React组件库,基于TDesign设计体系,为开发者提供高质量、易用的UI组件解决方案。最新发布的0.14.0版本带来了两个重要的新组件和多项功能优化,进一步丰富了移动端开发的能力。
新增组件亮点
1. Cascader级联选择组件
Cascader级联选择器是本次版本新增的重要组件,它特别适合处理多层级的数据选择场景。在移动端应用中,我们经常需要处理省市区选择、商品分类等多级联动数据,Cascader组件为此类场景提供了优雅的解决方案。
该组件支持以下核心特性:
- 多级联动数据展示
- 自定义选项渲染
- 异步加载子节点
- 灵活的选中策略配置
开发者可以通过简单的配置实现复杂的级联选择交互,大大提升了开发效率。
2. DropdownMenu下拉菜单组件
DropdownMenu是另一个新增的核心组件,它为移动端提供了标准的筛选菜单交互模式。在电商类应用中,我们经常看到价格筛选、分类筛选等功能,DropdownMenu正是为此类场景量身打造。
该组件的主要特点包括:
- 支持单选和多选模式
- 可自定义菜单项内容
- 灵活的展开/收起控制
- 与移动端手势完美融合的交互体验
功能增强与优化
Overlay遮罩组件增强
Overlay组件新增了动画生命周期回调函数,包括onOpen、onOpened、onClose和onClosed四个事件。这些回调让开发者能够更精确地控制遮罩的显示和隐藏过程,实现更复杂的交互逻辑。
例如,可以在onOpened回调中执行一些需要在遮罩完全展开后才能进行的操作,或者在onClose回调中做一些清理工作,这些都为开发者提供了更大的灵活性。
PullDownRefresh下拉刷新优化
新增的disabled属性允许开发者动态控制下拉刷新功能的可用状态。这在某些特定场景下非常有用,比如当页面内容已经是最新时,可以禁用下拉刷新以避免不必要的操作。
问题修复
本次版本还修复了一些已知问题:
-
Button组件修复了点击态样式缺失的问题,现在按钮在点击时会显示正确的视觉反馈,提升了用户体验。
-
Steps步骤条组件修复了内置图标无效的问题,确保了步骤指示器的正确显示。
总结
TDesign Mobile React 0.14.0版本的发布,通过新增Cascader和DropdownMenu两个实用组件,进一步丰富了移动端开发的工具箱。同时,对现有组件的功能增强和问题修复,也提升了整体使用体验。这些改进使得开发者能够更高效地构建高质量的移动应用界面,同时保证了良好的用户体验。
对于正在使用或考虑使用TDesign Mobile React的开发者来说,这个版本值得关注和升级。特别是那些需要处理复杂数据选择或筛选场景的项目,新增的两个组件将大大简化开发工作。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00