Jsonnet v0.21.0-rc1 发布:功能增强与问题修复
Jsonnet 是一种数据模板语言,它扩展了 JSON 格式,增加了变量、函数、条件语句等编程特性,使得配置文件的编写更加灵活和高效。Jsonnet 可以生成 JSON、YAML 等格式的输出,广泛应用于 Kubernetes 配置管理、基础设施即代码等领域。
近日,Jsonnet 项目发布了 v0.21.0-rc1 版本,这是近两年来首个发布候选版本。该版本包含了多项功能增强、问题修复以及构建系统的改进,为正式版的发布奠定了基础。下面我们将详细介绍这个版本的主要变化。
语言特性改进
本次更新对 Jsonnet 语言本身进行了一些增强:
-
数组切片支持负索引:现在可以使用负数作为数组切片的起始或结束索引,行为与 Python 类似,负数索引会从数组末尾开始计算。这一改进使得数组操作更加灵活。
-
多行文本块改进:新增了
|||-语法,可以去除文本块末尾的换行符。这在处理多行字符串时特别有用,可以更精确地控制输出格式。
标准库功能增强
Jsonnet 的标准库在这个版本中得到了显著扩充,新增了许多实用函数:
-
数组和对象操作:
std.contains:检查元素是否存在于数组或字符串中std.objectRemoveKey:从对象中移除指定键std.remove和std.removeAt:从数组中移除元素std.flattenDeepArray:深度展平嵌套数组std.minArray和std.maxArray:找出数组中的最小/最大值std.avg:计算数组平均值
-
数学运算:
std.atan2和std.hypot:新增三角函数std.log2和std.log10:新增对数函数std.pi:新增π常量std.deg2rad和std.rad2deg:角度与弧度转换
-
字符串处理:
std.equalsIgnoreCase:不区分大小写的字符串比较std.trim:去除字符串两端空白
-
类型判断:
std.isEven和std.isOdd:判断数字奇偶性std.isInteger和std.isDecimal:判断数字类型
问题修复
这个版本修复了多个长期存在的问题:
-
Unicode 处理:修复了基本多语言平面之外的 Unicode 字符解码问题,确保 UTF-8 输入能正确解析。
-
数字输出:现在数字的输出格式不再受系统区域设置影响,保证一致性。
-
对象可见性:修复了对象推导式中字段可见性继承不正确的问题。
-
Windows 兼容性:在 Windows 系统上现在支持反斜杠作为路径分隔符。
-
YAML 处理:更新了 RapidYAML 到 0.5.0 版本,修复了多个 YAML 解析相关问题。
构建系统改进
在构建和依赖管理方面也有多项改进:
-
Bazel 构建:新增了 MODULE.bazel 文件,支持 bzlmod 兼容性。
-
Python 支持:改进了 Windows/MSVC 上的 Python 构建支持。
-
依赖更新:更新了多个依赖库版本,包括 RapidYAML 和 golang.org/x/crypto。
-
发布流程:PyPI 包现在直接从 GitHub Actions 发布,并包含发布者证明。
总结
Jsonnet v0.21.0-rc1 是一个重要的更新版本,它不仅修复了多个长期存在的问题,还增加了许多实用的标准库函数,改进了语言特性。特别是对 Windows 平台的更好支持和 Unicode 处理的改进,使得 Jsonnet 在不同环境下的表现更加一致可靠。
对于使用 Jsonnet 进行配置管理的开发者来说,这个版本值得关注和测试。发布候选版本的目的正是为了收集用户反馈,确保正式版的稳定性。建议用户在测试环境中试用这个版本,并报告遇到的任何问题,以帮助项目团队进一步完善。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00