VisActor/VChart 1.13.6版本发布:图表功能优化与问题修复
项目简介
VisActor/VChart是一个功能强大的可视化图表库,提供了丰富的图表类型和灵活的配置选项。它基于Web技术构建,支持多种数据可视化场景,从基础的柱状图、折线图到复杂的地理地图、瀑布图等都能轻松实现。VChart以其高性能和易用性著称,是数据可视化领域的优秀解决方案。
版本亮点
瀑布图连接线优化
在1.13.6版本中,VChart对瀑布图的连接线(leaderLine)显示效果进行了优化。瀑布图是一种特殊的柱状图,用于展示数值的累积变化过程,常用于财务数据分析。连接线在瀑布图中起着连接各阶段数据的关键作用,帮助用户直观理解数据间的递进关系。本次优化提升了连接线的视觉表现,使其更加清晰美观。
漏斗图转化率文本自定义
新增了transformRatioText配置项,允许开发者自定义漏斗图工具提示中的转化率文本内容。漏斗图常用于展示转化流程中各阶段的转化率情况,如销售漏斗、用户行为分析等。通过这个新配置,开发者可以根据业务需求灵活调整转化率文本的显示格式,使其更符合具体场景的表达需求。
问题修复
地图缩放问题修复
修复了地图缩放时可能出现的错误问题。地图组件是VChart中的重要功能,支持地理数据的可视化展示。之前的版本在某些缩放操作下可能出现异常,影响用户体验。本次修复确保了地图缩放功能的稳定性和流畅性。
折线图标签显示优化
解决了当seriesField缺失时折线图标签显示异常的问题。折线图是数据分析中最常用的图表类型之一,用于展示数据随时间或其他连续变量的变化趋势。修复后,即使缺少系列字段配置,图表也能正常显示标签信息,提高了容错能力。
自定义标记组件修复
修复了自定义标记(customMark)在getVRenderComponents()方法中未能正确返回组件的问题。自定义标记功能允许开发者在图表中添加个性化元素,增强图表的表达能力。此修复确保了自定义标记组件能够被正确识别和操作。
技术改进
线性比例尺新增clamp支持
新增了对线性比例尺(linear scales)中clamp参数的支持。比例尺是数据可视化的核心概念,负责将数据值映射到视觉属性(如位置、颜色等)。clamp参数可以控制当输入值超出定义域时的行为,设置为true时会限制输出值在值域范围内,避免图表元素超出预期位置。
总结
VisActor/VChart 1.13.6版本在保持稳定性的同时,针对特定图表类型进行了优化,并修复了若干影响用户体验的问题。这些改进进一步提升了库的实用性和可靠性,为开发者构建数据可视化应用提供了更好的支持。无论是商业分析、科学研究还是日常数据展示,VChart都能提供专业级的可视化解决方案。
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