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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07