Lichess移动端v0.14.8版本发布:棋盘主题与游戏书签功能升级
Lichess是一个广受欢迎的开源国际象棋平台,其移动端应用为棋手提供了随时随地对弈和分析的功能。最新发布的v0.14.8版本带来了一系列用户体验改进和功能增强,特别是在视觉定制和游戏管理方面有了显著提升。
视觉体验全面升级
本次更新最引人注目的是棋盘背景主题系统的全面革新。开发团队不仅增加了多种预设背景主题,还优化了主题切换的流畅度和一致性。用户现在可以更自由地定制棋盘外观,包括:
- 新增多套精心设计的背景主题
- 改进了主题切换时的动画效果
- 优化了在不同光照条件下的显示效果
- 增加了棋盘背景与界面元素的协调性
这些视觉改进不仅提升了美观度,更重要的是帮助棋手在不同环境下都能获得舒适的视觉体验,减少长时间对弈带来的视觉疲劳。
分析模式功能增强
分析功能是Lichess移动端的核心功能之一,新版本在这方面做了多项改进:
-
双列走法列表视图:现在当使用双列布局时,走法列表会同时显示评估分数,让棋手可以更直观地了解每步棋的优劣。
-
小型棋盘设置:新增了小型棋盘显示选项,为屏幕空间有限的设备提供了更好的使用体验。
-
树状视图优化:改进了分析树状视图的缓存逻辑,修复了之前存在的索引偏差问题,使分析过程更加流畅。
游戏管理与书签功能
新版本引入了游戏书签功能,这是对游戏管理系统的重大改进:
- 用户现在可以为重要对局添加书签
- 书签游戏会显示在专门的收藏列表中
- 支持从书签列表中直接移除收藏
- 书签与游戏历史记录深度整合
这项功能特别适合需要反复研究特定对局的棋手,或者希望保存精彩比赛的爱好者。
谜题训练改进
谜题训练系统也获得了多项增强:
-
提示按钮:新增了谜题提示功能,当用户卡住时可以获取解题线索。
-
无等级分模式:增加了无等级分谜题选项,让用户可以无压力地练习。
-
杀王主题:新增了"杀王"(killbox)谜题主题,专注于训练将杀技巧。
-
箭头颜色统一:改进了分析模式与谜题模式中箭头颜色的显示一致性。
广播功能优化
针对赛事直播功能,开发团队进行了多项改进:
- 修复了切换赛事轮次时评估条不更新的问题
- 改进了赛事游戏界面的闪烁问题
- 新增了仅显示进行中游戏的筛选功能
- 支持赛事轮次的深度链接
- 优化了翻转棋盘时的时钟显示
技术实现细节
从技术角度看,这个版本包含了多项底层改进:
-
性能优化:改进了事件批处理机制,减少了不必要的界面重绘。
-
代码质量:应用了更严格的导入规则(always_use_package_imports),提高了代码可维护性。
-
本地化支持:修复了世界语等语言的支持问题,并更新了所有翻译。
-
深度链接:增强了Android平台的深度链接支持,提高了与其他应用的互操作性。
用户体验改进
除了上述功能外,版本还包含了许多细节优化:
- 改进了Cupertino风格底部导航栏的显示效果
- 优化了用户资料中位置的显示逻辑
- 为时钟工具添加了紧急提示音
- 修复了对应赛棋局中确认移动的行为
- 改进了坐标训练中的棋盘显示
这些改进共同提升了Lichess移动端的整体使用体验,使其在保持专业功能的同时,更加贴近普通用户的使用习惯。
Lichess移动端v0.14.8版本的发布,再次体现了开源社区持续改进的精神。通过不断优化现有功能和引入新特性,Lichess团队为国际象棋爱好者提供了一个功能全面且易于使用的移动平台。无论是休闲玩家还是专业棋手,都能从这个版本中获得更好的下棋体验。
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