ScottPlot 5.0.48版本发布:多图布局与交互增强
ScottPlot是一个功能强大的.NET绘图库,专注于为科学计算和数据分析提供高性能的图表绘制能力。它支持多种平台,包括Windows Forms、WPF、Avalonia等,并且具有简洁易用的API设计。最新发布的5.0.48版本带来了一系列重要更新,特别是在多图布局和交互体验方面有了显著提升。
多图布局功能增强
本次更新对Multiplot功能进行了多项重要改进。Multiplot现在支持在现有绘图表面上进行渲染,这为开发者提供了更大的灵活性。新增的高级子图定位功能允许更精确地控制子图的位置和大小,使得复杂布局的实现变得更加简单。
特别值得一提的是新增的共享轴辅助方法,这些方法可以轻松实现跨子图的轴限制同步。当需要比较多个相关数据集时,这一功能显得尤为重要,它能确保所有子图使用相同的比例尺,便于直观比较。
用户交互体验优化
在用户控制方面,5.0.48版本进行了多项改进。首先,移除了过时的Interaction系统,转而采用更现代的UserInputProcessor架构。这一变化不仅提高了代码的整洁性,还增强了多图布局下的交互支持。
另一个重要变化是移除了PlotControl属性,这一设计调整鼓励单向数据流,使得应用架构更加清晰。同时,改进了中间点击拖动缩放矩形的支持,特别是在使用反转轴限制的图表上,交互体验更加流畅自然。
渲染与显示改进
在渲染方面,5.0.48版本修复了多个问题并引入了优化。改进了RenderPack在渲染循环中的处理,避免了Skia异常的发生。对于使用非BGRA默认颜色模型的平台,现在有了更好的支持。
新增的LineOnTop和MarkersOnTop标志允许开发者控制线条和标记的显示顺序,这在某些复杂图表中非常有用。此外,改进了坐标矩形命中检测和轴规则行为,特别是在使用反转轴的图表上表现更加稳定。
专业图表类型支持
5.0.48版本引入了一个全新的专业图表类型——史密斯图(Smith Chart)。这种图表专门用于显示信号的阻抗特性,将电阻和电抗呈现在圆形坐标系中。对于射频和微波工程领域的开发者来说,这是一个非常有价值的补充。
其他改进与修复
本次更新还包含了许多细节改进和错误修复:
- 修复了AddNoiseInPlace()方法导致的信号均值偏移问题
- 修正了Text.DragTo()方法使用错误轴维度的问题
- 改进了金融图表中DateTime轴的刻度放置一致性
- 添加了快速禁用左轴刻度生成的辅助方法
- 使Legend.GetItems()方法变为虚方法,并允许设置Plot.Legend属性,为自定义图例排序逻辑提供了可能
这些改进使得ScottPlot在科学计算、工程分析和数据可视化领域的应用更加广泛和可靠。无论是简单的数据探索还是复杂的专业图表,ScottPlot 5.0.48都能提供出色的表现。
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