Khan Academy Perseus 61.1.0版本技术解析
Perseus是Khan Academy开发的一个开源数学题目渲染和交互引擎,主要用于在线教育平台中的数学题目展示和解答。该引擎支持多种数学题型,包括选择题、填空题、绘图题等,并提供丰富的交互功能。最新发布的61.1.0版本带来了一系列功能增强和问题修复,下面我们将详细解析这些更新内容。
核心功能增强
Plotter组件支持无答案数据渲染
Plotter组件是Perseus中用于绘制数学图形的工具。在61.1.0版本中,开发团队对其进行了优化,使其能够处理没有预设答案的数据场景。这一改进使得Plotter组件更加灵活,可以用于教学演示等不需要立即验证答案的场景。同时,团队还新增了相关测试用例和故事书示例,确保这一功能的稳定性。
ButtonGroup组件样式定制
ButtonGroup组件新增了选中按钮的样式定制选项。开发者现在可以通过配置参数来控制选中按钮的视觉表现,这为UI设计提供了更大的灵活性。这一改进特别适合需要突出显示用户选择的场景,如多选题或导航菜单。
Orderer组件支持无答案模式
类似于Plotter组件,Orderer组件(用于排序题)现在也能够处理无答案数据的情况。这一改进使得Orderer组件可以用于教学演示或练习模式,而不必局限于严格的答案验证场景。开发团队同样为这一功能添加了全面的测试和故事书示例。
Matrix组件无答案渲染支持
Matrix组件(矩阵题)也获得了无答案数据渲染的能力。这一改进使得矩阵题可以用于更广泛的教学场景,如矩阵运算的教学演示。团队为此新增了测试用例和故事书示例,确保功能的可靠性。
类型系统改进
NumberLine组件类型完善
开发团队对NumberLine组件(数轴题)的类型定义进行了多项改进:
- 明确了correctRel属性的类型为"eq" | "lt" | "gt" | "le" | "ge",更准确地反映了实际数据和使用场景
- 添加了isInequality属性到类型定义中,修复了之前类型定义不完整的问题
这些改进使得NumberLine组件的类型系统更加严谨,有助于开发者在编译时发现潜在问题。
InteractiveGraph组件类型优化
对InteractiveGraph组件的类型定义进行了清理:
- 移除了lockedFigures和labels属性中的undefined类型,要求使用空数组代替
- 移除了非point类型图形中不必要的coord属性
这些变更使得类型定义更加精确,虽然可能需要对现有代码进行少量调整,但有助于提高代码质量。
测试与质量保证
新增测试用例
61.1.0版本中新增了多项测试:
- InputNumber组件测试,验证其在无答案数据下的交互行为
- NumberLine组件测试,确保其正确处理无答案数据
- ServerItemRenderer测试重构,使其更加专注和清晰
这些测试提高了代码的可靠性和可维护性。
不可变数据检查
新增了一个linter规则,用于防止意外修改对象和数组值。这一改进有助于避免因意外数据变更导致的bug,特别是在React的不可变数据模型中。
文档与示例
- 更新了Radio组件的文档,在测试数据中添加了rationales(解释说明)
- 为多个组件添加了故事书示例,包括Plotter、Orderer和Matrix组件
这些文档改进使得组件使用更加透明,便于开发者理解和正确使用各个功能。
依赖管理
修复了项目的依赖关系,确保包声明中包含了所有实际使用的依赖项。这一改进解决了潜在的依赖缺失问题,提高了项目的稳定性。
总结
Perseus 61.1.0版本在功能增强、类型系统完善、测试覆盖和文档改进等方面都有显著提升。特别是多个组件新增的无答案数据支持,大大扩展了Perseus在教学场景中的应用范围。类型系统的改进和不可变数据检查的引入,则从工程角度提高了代码质量和可靠性。这些改进共同使得Perseus作为一个数学题目渲染引擎更加成熟和完善。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00